Хотя машинное обучение и искусственный интеллект становятся все более и более доступными, знание математики, лежащей в основе алгоритмов, делает вас лучшим практиком. У многих людей есть боязнь математики, которая отпугивает их от математических знаний в этой области. В этом посте мы собрали книги, которые помогут вам преодолеть боязнь математики и изучить математику в достаточном количестве, чтобы понять и оценить математические основы машинного обучения и искусственного интеллекта.
Математика для машинного обучения
Если вы ищете универсальное средство для изучения математики, лежащей в основе машинного обучения, Mathematics for Machine Learning от Deisenroth et al. это идеальная книга для вас! В свободном доступе здесь. Однако эта книга предполагает, что ее читатели знакомы с интегралами, производными и геометрическими векторами. Не бойтесь этих понятий, мы покажем вам несколько книг, которые помогут вам усвоить эти технические термины.
Математика для нематематиков
Эта книга - настоящая жемчужина! Если вам нравится история идей, вам понравится! Прохождение глав не сделает вас профессиональным математиком, но вы увидите, как теоретические проблемы связаны с реальной жизнью, и сможете расширить свой математический словарь от геометрии через линейную алгебру до теории вероятностей.
Исчисление и линейная алгебра
Производные и интегралы кажутся очень сложными понятиями. Упрощенное исчисление Сильвануса знакомит с этими понятиями в коротких уроках и делает их понятными для всех. Хотя вы можете найти его в открытом доступе, поскольку его авторские права истекли несколько десятилетий назад, мы рекомендуем вам версию, обновленную Мартином Гарднером.
Одна из первых вещей, которую вы узнаете, когда приступите к машинному обучению, заключается в том, что матрицы очень важны для этой области, и они должны что-то делать с линейной алгеброй, чтобы достичь волшебного момента создания модели. Матрицы и линейная алгебра Шнайдера и Баркера более формальны, чем Исчисление Сильвануса, так что не начинайте с них свое математическое путешествие! Не стоит торопиться с чтением этой относительно небольшой книги, так как она содержит определения, теоремы, следствия и упражнения.
Источники
- Заголовочное изображение было загружено по следующей ссылке: https://cdn.pixabay.com/photo/2016/07/11/12/16/mathematics-1509559_960_720.jpg
- Фотография обложки Mathematics for Machine Learning была загружена по следующей ссылке: https://mml-book.github.io/static/images/mml-book-cover.jpg.
Первоначально опубликовано на https://crowintelligence.org 28 февраля 2020 г.