Uczenie maszynowe staje si

Osoby które kupowały "Matematyka w uczeniu maszynowym", wybierały także:

• Ryszard Kilvington. NieskoÅ„czoność i geometria 19,52 zÅ‚, (8,98 zÅ‚ -54%)
• Matematyka w deep learningu. Co musisz wiedzie 89,00 zÅ‚, (44,50 zÅ‚ -50%)
• Matematyka w programowaniu gier i grafice komputerowej. Tworzenie i renderowanie wirtualnych 89,00 zÅ‚, (44,50 zÅ‚ -50%)
• Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie 69,00 zÅ‚, (34,50 zÅ‚ -50%)
• Domowe lekcje matematyki. Klasy 4-6 39,90 zÅ‚, (19,95 zÅ‚ -50%)

Spis treści

Matematyka w uczeniu maszynowym eBook -- spis treści

Spis treści

Lista symboli

Lista skrótów i akronimów

Wstęp

Podziękowania

Część I. Podstawy matematyczne

• 1. Wprowadzenie i motywacje
  • 1.1. Znajdowanie sÅ‚ów dla intuicji
  • 1.2. Dwa sposoby na przeczytanie tej książki
  • 1.3. Ćwiczenia i informacje zwrotne
• 2. Algebra liniowa
  • 2.1. UkÅ‚ady równaÅ„ liniowych
  • 2.2. Macierze
  • 2.3. RozwiÄ…zywanie ukÅ‚adów równaÅ„ liniowych
  • 2.4. Przestrzenie wektorowe
  • 2.5. Niezależność liniowa
  • 2.6. Baza i rzÄ…d
  • 2.7. PrzeksztaÅ‚cenia liniowe
  • 2.8. Przestrzenie afiniczne
  • 2.9. MateriaÅ‚y dodatkowe
  • Ćwiczenia
• 3. Geometria analityczna
  • 3.1. Normy
  • 3.2. Iloczyny wewnÄ™trzne
  • 3.3. DÅ‚ugoÅ›ci i odlegÅ‚oÅ›ci
  • 3.4. KÄ…ty i ortogonalność
  • 3.5. Baza ortonormalna
  • 3.6. DopeÅ‚nienie ortogonalne
  • 3.7. Iloczyn wewnÄ™trzny funkcji
  • 3.8. Rzuty ortogonalne
  • 3.10. MateriaÅ‚y dodatkowe
  • Ćwiczenia
• 4. RozkÅ‚ady macierzy
  • 4.1. Wyznacznik i Å›lad
  • 4.2. WartoÅ›ci i wektory wÅ‚asne
  • 4.3. RozkÅ‚ad Choleskiego
  • 4.4. RozkÅ‚ad wedÅ‚ug wartoÅ›ci wÅ‚asnych i diagonalizacja
  • 4.5. RozkÅ‚ad wedÅ‚ug wartoÅ›ci osobliwych
  • 4.6. Przybliżenie macierzy
  • 4.7. Filogeneza macierzy
  • 4.8. MateriaÅ‚y dodatkowe
  • Ćwiczenia
• 5. Rachunek wektorowy
  • 5.1. Różniczkowanie funkcji jednowymiarowych
  • 5.2. Pochodne czÄ…stkowe i gradienty
  • 5.3. Gradienty funkcji o wartoÅ›ciach wektorowych
  • 5.4. Gradienty macierzy
  • 5.5. TożsamoÅ›ci przydatne w obliczeniach gradientów
  • 5.6. Propagacja wsteczna i różniczkowanie automatyczne
  • 5.7. Pochodne wyższych rzÄ™dów
  • 5.8. Linearyzacja i wielowymiarowe szeregi Taylora
  • 5.9. MateriaÅ‚y dodatkowe
  • Ćwiczenia
• 6. PrawdopodobieÅ„stwo i jego rozkÅ‚ady
  • 6.1. Struktura przestrzeni prawdopodobieÅ„stwa
  • 6.2. PrawdopodobieÅ„stwo ciÄ…gÅ‚e i dyskretne
  • 6.3. ReguÅ‚y dodawania i mnożenia oraz twierdzenie Bayesa
  • 6.4. Statystyki podsumowujÄ…ce i niezależność
  • 6.5. RozkÅ‚ad Gaussa
  • 6.6. Sprzężenie i rodzina wykÅ‚adnicza
  • 6.7. Zmiana zmiennych/przeksztaÅ‚cenie odwrotne
  • 6.8. MateriaÅ‚y dodatkowe
  • Ćwiczenia
• 7. Optymalizacja ciÄ…gÅ‚a
  • 7.1. Optymalizacja za pomocÄ… metody gradientu prostego
  • 7.2. Optymalizacja z ograniczeniami i mnożniki Lagrange'a
  • 7.3. Optymalizacja wypukÅ‚a
  • 7.4. MateriaÅ‚y dodatkowe
  • Ćwiczenia

Część II. Centralne problemy uczenia maszynowego

• 8. Gdy model spotyka dane
  • 8.1. Dane, modele i uczenie
  • 8.2. Minimalizacja ryzyka empirycznego
  • 8.3. Estymacja parametrów
  • 8.4. Modelowanie probabilistyczne i wnioskowanie
  • 8.5. Modele digrafowe
  • 8.6. Wybór modelu
• 9. Regresja liniowa
  • 9.1. SformuÅ‚owanie problemu
  • 9.2. Estymacja parametrów
  • 9.3. Bayesowska regresja liniowa
  • 9.4. Estymacja metodÄ… maksymalnej wiarygodnoÅ›ci jako rzut ortogonalny
  • 9.5. MateriaÅ‚y dodatkowe
• 10. Redukcja wymiarowoÅ›ci za pomocÄ… analizy gÅ‚ównych skÅ‚adowych
  • 10.1. SformuÅ‚owanie problemu
  • 10.2. Perspektywa maksymalizacji wariancji
  • 10.3. Perspektywa rzutowania
  • 10.4. Znajdowanie wektora wÅ‚asnego i aproksymacja za pomocÄ… macierzy niskiego rzÄ™du
  • 10.5. PCA w dużej liczbie wymiarów
  • 10.6. Najważniejsze kroki algorytmu PCA z praktycznego punktu widzenia
  • 10.7. Perspektywa zmiennej ukrytej
  • 10.8. MateriaÅ‚y dodatkowe
• 11. Szacowanie gÄ™stoÅ›ci za pomocÄ… modeli mieszanin rozkÅ‚adów Gaussa
  • 11.1. Model mieszaniny rozkÅ‚adów Gaussa
  • 11.2. Uczenie parametrów za pomocÄ… metody maksymalnej wiarygodnoÅ›ci
  • 11.3. Algorytm EM
  • 11.4. Perspektywa zmiennej ukrytej
  • 11.5. MateriaÅ‚y dodatkowe
• 12. Klasyfikacja za pomocÄ… maszyny wektorów noÅ›nych
  • 12.1. HiperpÅ‚aszczyzny rozdzielajÄ…ce
  • 12.2. Pierwotna maszyna wektorów noÅ›nych
  • 12.3. Dualna maszyna wektorów noÅ›nych
  • 12.4. JÄ…dra
  • 12.5. RozwiÄ…zanie numeryczne
  • 12.6. MateriaÅ‚y dodatkowe
• Bibliografia