Hodnotenie:
Kniha je oceňovaná za komplexné pokrytie lineárnej algebry a optimalizácie v súvislosti so strojovým učením. Hoci je matematicky presná a ponúka jasné vysvetlenia, mnohí čitatelia ju považujú za náročnú a chýbajú v nej praktické príklady. Absencia riešení cvičení ešte viac komplikuje samoštúdium, čo vedie k frustrácii samostatných študentov. Okrem toho sa v niektorých recenziách spomína zlá kvalita tlače a zavádzajúce opisy týkajúce sa dostupných zdrojov.
Výhody:⬤ Komplexné pokrytie lineárnej algebry a optimalizácie pre strojové učenie.
⬤ Matematicky prehľadné s dobrým vývojom tém.
⬤ Užitočné na pochopenie literatúry o strojovom učení.
⬤ Stručné vysvetlenia a dobré cvičenia, ktoré sú pre čitateľa výzvou.
⬤ Skvelé na akademické štúdium aj na bežné čítanie.
⬤ Pre niektorých čitateľov ťažko zrozumiteľné, vyžaduje pomalé a opakované čítanie.
⬤ Málo praktických príkladov a vzťahy medzi pojmami sú často nejasné.
⬤ Nedostatok odpovedí na praktické cvičenia sťažuje samoštúdium.
⬤ Zavádzajúci opis týkajúci sa dostupnosti riešení; nie je prístupný pre bežných čitateľov.
⬤ Správy o zlej kvalite tlače a fyzických chybách niektorých výtlačkov.
(na základe 18 čitateľských recenzií)
Linear Algebra and Optimization for Machine Learning: A Textbook
Táto učebnica predstavuje lineárnu algebru a optimalizáciu v kontexte strojového učenia. V celej knihe sú uvedené príklady a cvičenia. Pre vyučujúcich je k dispozícii príručka s riešeniami cvičení na konci každej kapitoly. Táto učebnica je určená študentom postgraduálneho štúdia a profesorom informatiky, matematiky a dátových vied. Túto učebnicu môžu využívať aj pokročilí študenti bakalárskeho štúdia. Kapitoly tejto učebnice sú usporiadané nasledovne:
1. Lineárna algebra a jej aplikácie: Kapitoly sú zamerané na základy lineárnej algebry spolu s ich bežnými aplikáciami na rozklad singulárnej hodnoty, faktorizáciu matíc, matice podobnosti (jadrové metódy) a analýzu grafov. Ako príklady sú použité početné aplikácie strojového učenia, ako napríklad spektrálne zhlukovanie, klasifikácia na základe jadra a detekcia odľahlých hodnôt. Úzka integrácia metód lineárnej algebry s príkladmi zo strojového učenia odlišuje túto knihu od všeobecných zväzkov o lineárnej algebre. Zameriava sa jednoznačne na najdôležitejšie aspekty lineárnej algebry pre strojové učenie a na to, aby naučila čitateľov tieto koncepty aplikovať.
2. Optimalizácia a jej aplikácie: Veľká časť strojového učenia je postavená ako optimalizačný problém, v ktorom sa snažíme maximalizovať presnosť regresných a klasifikačných modelov. "Materským problémom" strojového učenia zameraného na optimalizáciu je regresia najmenších štvorcov. Je zaujímavé, že tento problém vzniká v lineárnej algebre aj v optimalizácii a je jedným z kľúčových spájajúcich problémov týchto dvoch oblastí. Regresia najmenších štvorcov je tiež východiskom pre stroje podporných vektorov, logistickú regresiu a odporúčacie systémy. Okrem toho si metódy redukcie dimenzionality a faktorizácie matíc tiež vyžadujú vývoj optimalizačných metód. Všeobecný pohľad na optimalizáciu vo výpočtových grafoch sa rozoberá spolu s jej aplikáciami na spätné šírenie v neurónových sieťach.
Častou výzvou, ktorej čelia začiatočníci v oblasti strojového učenia, sú rozsiahle základy potrebné v lineárnej algebre a optimalizácii. Jedným z problémov je, že existujúce kurzy lineárnej algebry a optimalizácie nie sú špecifické pre strojové učenie.
Preto by ste zvyčajne museli absolvovať viac učebnej látky, ako je potrebné na zvládnutie strojového učenia. Okrem toho sa určité typy myšlienok a trikov z optimalizácie a lineárnej algebry v strojovom učení opakujú častejšie ako v iných aplikačne zameraných prostrediach. Preto má význam rozvíjať pohľad na lineárnu algebru a optimalizáciu, ktorý je vhodnejší pre špecifickú perspektívu strojového učenia.
