Uczenie maszynowe staje się wszechobecne. Dzięki coraz lepszym narzędziom służącym do tworzenia aplikacji detale technologiczne związane z obliczeniami i modelami matematycznymi są nieraz pomijane poprzez projektantów.
Owszem, to komfortowe podejście,zespala się z ryzykiem braku świadomości co do wszystkich konsekwencji wybranych rozwiązań projektowych, bardzo ich potężnych i słabych stron. A zatem bez ugruntowanych podstaw matematyki nie można mówić o profesjonalnym podejściu do uczenia maszynowego.
Ten podręcznik jest asygnowany dla osób, które chcą należycie zrozumieć matematyczne podstawy uczenia maszynowego i nabrać ergonomicznego doświadczenia w stosowaniu pojęć matematycznych. Wyjaśniono tutaj używanie szeregu technik matematycznych, takich jak algebra liniowa, geometria analityczna, rozkłady macierzy, rachunek wektorowy, optymalizacja, probabilistyka i statystyka.
Następnie zaprezentowano matematyczne aspekty czterech podstawowych metod uczenia maszynowego: regresji liniowej, analizy głównych składowych, modeli mieszanin rozkładów Gaussa i sprzętów wektorów nośnych.
W każdym rozdziale znalazły się przykłady i ćwiczenia upraszczające przyswojenie materiału. W książce pomiędzy innymi: podstawy algebry: układy równań, macierze, przestrzenie afiniczne rachunek prawdopodobieństwa, sprzężenia, optymalizacja wnioskowanie z wykorzystaniem zróżnicowanego typu modeli regresja liniowa i redukcja wymiarowości maszyna wektorów nośnych i rozwiązania numeryczne Matematyka: potrzebnie, jeśli chcesz zrozumieć istotę sztucznej inteligencji.
Powyższy opis pochodzi od wydawcy.
