机器学习(ML)是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。由此可见,良好的数学基础对于学好机器学习而言至关重要。
GitHub上这个项目「Mathematics-for-ML」是面向机器学习数学基础的免费资源合集,由致力于人工智能研究、教育和技术民主化的机构DAIR.AI创建,目前已积累了827 Star。
* Herb Alpert and the Tijuana Brass Double Feature -- John Hubley and Faith Hubley, Producers The Pink Blueprint -- David H. DePatie and Friz Freleng, Producers 1967 (40th) SHORT SUBJECT (Cartoon)* The Box -- Fr。
项目地址:
资源1:书籍《机器学习数学基础》(Mathematics for Machine Learning),作者为Marc Peter Deisenroth、A. Aldo Faisal和Cheng Soon Ong。
这本书适合刚开始学习的初学者。慢慢入门,研究一些示例。重点关注符号并熟悉它们。
书籍地址:
《非同寻常的大众幻想与群众性癫狂》(Extraordinary Popular Delusions and the Madness of Crowds),查理斯?麦基(Charles Mackay )著,1841 年出版(中译本由中国金融出版社出版)。这本有关 1634 年荷兰郁金香狂热和 1720 年“南海泡沫”事。
资源2:书籍《统计学习精要》(The Elements of Statistical Learning)第二版,作者为Jerome H. Friedman、Robert Tibshirani和Trevor Hastie。
机器学习处理数据,进而处理不确定性,B,这些正是统计学旨在教授的内容。读者可以熟悉估计器、统计显著性等概念。,
书籍地址:
资源3:书籍《概率论:科学的逻辑》(Probability Theory: The Logic of Science),作者为E. T. Jaynes。
在机器学习中,读者对构建概率模型很感兴趣,因而会遇到概率论中的概念,例如条件概率和不同的概率分布。
书籍地址:
资源4:书籍《概率机器学习:简介》(Probabilistic Machine Learning: An Introduction),作者为Kevin Patrick Murphy。
资源4:书籍《概率机器学习:简介》(Probabilistic Machine Learning: An Introduction),作者为Kevin Patrick Murphy。
企业回John Locke 论文竞赛涉及的内容涵盖了人文社科各大领域:经济、法律、政治、历史、哲学、神学、心理学,要求学员的逻辑缜密,知识面广且深,并具有一定自主调研能力以及较强的学术写作能力。下面就给大家解密一下这个比赛的难度和含金量。举办Jo。
本书对经典机器学习方法和解释这些方法的原理进行了全面的综述。
书籍地址:
or,资源5:伦敦帝国学院公开课多元微积分(Multivariate Calculus by Imperial College London),授课者为Dr. Sam Cooper和Dr. David Dye。
反向传播是训练依赖微积分的深度神经网络的关键算法。通过该系列课程,读者可以熟悉链式法则、雅可比行列式、梯度下降等概念。
视频地址:
资源6:伦敦帝国学院公开课《机器学习的数学基础:线性代数》(Mathematics for Machine Learning - Linear Algebra),授课者为Dr. Sam Cooper和Dr. David Dye。
David J. C. MacKay. Information Theory, Inference, and Learning Algorithms Cambridge: Cambridge University Press, 2003. ISBN 0-521-64298-1 Raymond W. Yeung. Information Theory and Network Coding Springer
该系列课程与上述《多元微积分》配合观看效果更佳。神经网络执行数据转换,读者掌握线性代数才能更好地了解如何完成这一过程。
视频地址:
资源7:《深度学习数学基础》(Mathematics for Deep Learning)。本资源包含的数学概念能够帮助读者更好地理解深度学习。
资源地址:
资源8:论文《深度学习需要的矩阵计算》(The Matrix Calculus You Need For Deep Learning),作者为Terence Parr和Jeremy Howard。
在深度学习中,你需要理解一些基本矩阵运算。这篇论文是深入了解矩阵计算数学知识的不错指南。
论文地址:
资源9:书籍《信息论、推理与学习算法》(Information Theory,Inference and Learning Algorithms),作者为David J. C. MacKay。
资源9:书籍《信息论、推理与学习算法》(Information Theory,Inference and Learning Algorithms),作者为David J. C. MacKay。
David J. C. MacKay. Information Theory, Inference, and Learning Algorithms Cambridge: Cambridge University Press, 2003. ISBN 0-521-64298-1 Raymond W. Yeung. Information Theory and Network Coding Springer
书籍地址: