Description
Mathématiques pour l'apprentissage automatique est un livre complet écrit par Marc Peter Deisenroth, A. Aldo Faisal et Cheng Soon Ong, publié par Cambridge University Press en 2020. Le livre sert de ressource fondamentale pour les personnes intéressées par l'apprentissage automatique, en se concentrant sur les principes mathématiques qui sous-tendent le domaine. Il est divisé en deux parties : Fondations mathématiques et Problèmes centraux de l'apprentissage automatique.
Lire la suite
La première partie couvre des sujets essentiels tels que l'algèbre linéaire, la géométrie analytique, les décompositions matricielles, le calcul vectoriel, la probabilité et la distribution, ainsi que l'optimisation continue. Ces sujets fournissent les bases nécessaires pour comprendre les algorithmes d'apprentissage automatique.
La deuxième partie du livre se penche sur des problèmes spécifiques d'apprentissage automatique, y compris la régression linéaire, la réduction de dimension avec l'analyse en composantes principales, l'estimation de densité avec des modèles de mélange gaussien, et la classification avec des machines à vecteurs de support. Le livre est conçu pour être concis, offrant une introduction claire et accessible aux concepts mathématiques requis pour l'apprentissage automatique.
Mathématiques pour l'apprentissage automatique est disponible au format PDF, avec des ressources supplémentaires telles que des tutoriels et des exercices fournis pour améliorer l'apprentissage. Le livre est fortement recommandé par des experts du domaine, y compris Joelle Pineau de l'Université McGill et Facebook, Christopher Bishop de Microsoft Research Cambridge, et Pieter Abbeel de l'Université de Californie, Berkeley. Il convient aussi bien aux débutants en apprentissage automatique qu'aux chercheurs et ingénieurs à la recherche d'un texte de référence.
- CatégorieÉducation et recherche
Détails du livre
Fondations mathématiques pour l'apprentissage automatique
Algèbre linéaire et géométrie analytique
Décompositions matricielles et calcul vectoriel
Probabilité et distribution
Techniques d'optimisation continue
Algorithmes d'apprentissage automatique expliqués
Régression linéaire et ACP
Modèles de mélange gaussien et SVM
À qui s'adresse ce livre
- Ressource éducative
- Texte de référence
- Développement de compétences
- Tutoriels
- Compréhension des algorithmes
