Math for Deep Learning: Čo potrebujete vedieť, aby ste porozumeli neurónovým sieťam

Recenzie čitateľov

Kniha je určená záujemcom o vedu o údajoch a strojové učenie a poskytuje dobre štruktúrovaný úvod do potrebných matematických pojmov. Hoci efektívne zaujíma čitateľov a prepája matematiku s aplikáciami strojového učenia, niektorí recenzenti majú pocit, že v niektorých oblastiach jej chýba hĺbka a mohla by ťažiť z praktických cvičení. Celkovo ju vnímajú ako dobrý zdroj informácií pre motivovaných študentov s určitými predchádzajúcimi matematickými skúsenosťami.

⬤ Poskytuje jasné rozdelenie neurónových sietí a štatistických rámcov.
⬤ Vhodný pre tých, ktorí chcú vstúpiť do dátovej vedy, najmä s určitým technickým zázemím.
⬤ Pútavé písanie, ktoré spája matematické koncepty so strojovým učením.
⬤ Dobré formátovanie pre Kindle.
⬤ Pokrýva matematiku na bakalárskej až magisterskej úrovni v kontexte aplikácií Pythonu.

⬤ Vyžaduje solídne matematické zázemie, čo môže byť pre niektorých čitateľov prekážkou.
⬤ Chýba súbor praktických cvičení na praktickú aplikáciu konceptov.
⬤ Niektorí recenzenti zistili, že zameranie na nepodstatné témy, ako napríklad problém Monty Hall, odvádza pozornosť od praktických aplikácií hlbokého učenia.
⬤ Niektorí ju označili za príliš plytkú na to, aby sa v oblasti hlbokého učenia dosiahol vážny pokrok.

(na základe 7 čitateľských recenzií)

Pôvodný názov:

Math for Deep Learning: What You Need to Know to Understand Neural Networks

Obsah knihy:

Matematika pre hlboké učenie poskytuje základnú matematiku, ktorú potrebujete na pochopenie diskusií o hlbokom učení, skúmanie zložitejších implementácií a lepšie využívanie súborov nástrojov pre hlboké učenie.

S knihou Matematika pre hlboké učenie sa naučíte základnú matematiku používanú hlbokým učením a ako pozadie pre hlboké učenie.

Na príkladoch v jazyku Python sa naučíte kľúčové témy súvisiace s hlbokým učením v oblasti pravdepodobnosti, štatistiky, lineárnej algebry, diferenciálneho počtu a maticového počtu, ako aj to, ako implementovať tok dát v neurónovej sieti, spätné šírenie a gradientný zostup. Pomocou jazyka Python budete tiež pracovať s matematikou, ktorá je základom týchto algoritmov, a dokonca vytvoríte plne funkčnú neurónovú sieť.

Okrem toho tu nájdete pokrytie gradientného zostupu vrátane variantov, ktoré bežne používa komunita hlbokého učenia: SGD, Adam, RMSprop a Adagrad/Adadelta.