这本417页的数学基础,还没出版就能免费下载啦!

2019 年 9 月 25 日 程序猿
这本417页的数学基础,还没出版就能免费下载啦!
来自: 程序员书库(ID: CodingBook)
Marc Peter Deisenroth,A Aldo Faisal 和 Cheng Soon Ong 撰写了一本《机器学习数学基础》,目前已经可以免费下载,该书将于2020年初由剑桥大学出版社出版。


根据官网介绍,本书将于2020年由剑桥大学出版社出版。


如果你看到书名《机器学习数学基础》就想退出去,那你真是想错了,本书并不打算过多的讲授先进的机器学习技术,因为类似的书籍已经有很多了,作者更多的是把重心放在数学知识上,这样一来,你再去阅读其他机器学习相关的书籍就会轻松很多


我也是在网站查找机器学习相关的数学资料时发现了这本书,虽然我没有在这本书身上花太多时间,但是里面的原理已经足够我的ML研究,而且每章都有一些练习或者编程教程,这是非常不错的。

本书的章节分布如下:

第一部分:数学基础
  • Introduction and Motivation

  • Linear Algebra

  • Analytic Geometry

  • Matrix Decompositions

  • Vector Calculus

  • Probability and Distribution

  • Continuous Optimization


第二部分:机器学习问题
  • When Models Meet Data

  • Linear Regression

  • Dimensionality Reduction with Principal Component Analysis

  • Density Estimation with Gaussian Mixture Models

  • Classification with Support Vector Machines


接下来,我们一起来看看作者在第一部分的数学基础,都和我们介绍了哪些内容?


第一章(介绍和目的) ,顾名思义就是介绍这本书,并定义一些将要涉及到的单词和概念,如预测器、培训、模型等。它还推荐了两种阅读方法,自底向上方法(“从基础到更高级的概念构建”)和自顶向下策略(“从实际需求到更底层的知识进行阅读”)。我采用了自下而上的策略,最后,本章以大约两页的篇幅简要描述了本书的所有章节。



第2章、第3章和第4章描述了线性代数的整个领域,作者分别把他们拆分成三个小部分: 线性代数、解析几何、矩阵分解,这样做的目的,我猜是为了让每一章都可以简单而又模块化,而不是一个整体而又庞大章节。


第2章的“线性代数” ,从最基本的高中数学概念开始介绍(系统的线性方程、矩阵、高斯消除法、摩尔彭罗斯伪逆)到更抽象的概念,如向量空间和之空间,线性无关,同态、仿射等。


第二章的思维导图:



在第三章(“解析几何”)中 ,该书使用了前一章的抽象概念来定义几何元素:向量内积、角度和正交性、投影和旋转等,值得一提的是,书中所有的操作都是先用2D/3D来描述,然后深入到n-D,第三章的思维导图如下:



最后一章题为“矩阵分解” ,它是非常有趣的并且十分重要,相对前面两章,这一章多了一些现实应用的例子,如Google的pagerank实现。


第5章是关于向量微积分 的,在我听来非常侧重于ML的基本优化理论,它描述了(偏微分)、泰勒级数、链式法则、梯度、矩阵微积分、反向传播和自动微分,以及一些高阶导数和线性化。



第六章是“概率与分布” 。主要内容包括基本概率与统计、随机变量、离散与连续分布、贝叶斯定理、概论统计、统计独立性、高斯分布、共轭性质、变量替换等。



数学基础部分的最后一章是连续优化,我把这一章当成ML基础的开始,尽管它在大学的课程里并不总涉及到,就算有也只是表面,本章介绍了梯度下降、动量、约束优化(使用拉格朗日乘子)、凸优化、线性等。


最后附上本书相关的地址,你也可以通过后台回复【shuku】的方式获得本书


下载链接:https://mml-book.github.io/book/mml-book.pdf

书籍官网: http s://mml-book.github.io/






●编号4073,输入编号直达本文

●输入m获取文章目录

推荐↓↓↓

程序员数学之美

更多推荐25个技术类公众微信

涵盖:程序人生、算法与数据结构、黑客技术与网络安全、大数据技术、前端开发、Java、Python、Web开发、安卓开发、iOS开发、C/C++、.NET、Linux、数据库、运维等。

登录查看更多
51

相关内容

简介: 宾夕法尼亚大学计算逻辑研究院Jean Gallier等人近期在之前发布的书的基础上进行修改,于2019年10月24日发布了一本长达753页的书籍,详细地列出了对机器学习等领域有重要意义的数学理论基础知识。近年来,计算机视觉、机器人、机器学习和数据科学一直是推动技术重大进步的一些关键领域。任何看过上述领域的论文或书籍的人都会被一个奇怪的术语所困扰,这些术语涉及核主成分分析、岭回归、lasso回归、支持向量机(SVM)、拉格朗日乘子、KKT条件等奇怪的术语。但人们很快就会发现,行话背后总是伴随着一个新的领域,背后隐藏着许多经典的“线性代数和优化理论技术”。我们面临的主要挑战是:要从机器学习、计算机视觉等方面了解和使用工具,必须具备线性代数和优化理论的坚实背景。

本书的主要目标是介绍线性代数和优化理论的基本原理,同时考虑到机器学习、机器人和计算机视觉的应用。这项工作由两部分组成,第一个是线性代数,第二个优化理论和应用,尤其是机器学习。 第一部分涉及经典的线性代数,包括主分解和Jordan形式。除了讨论标准的一些主题外,我们还讨论了一些对应用很重要的主题。这些主题包括:

  • Haar基和相应的Haar小波
  • Hadamard矩阵
  • Affine maps
  • 规范和矩阵规范
  • 向量空间中序列和序列的收敛性。矩阵指数e_A及其基本性质
  • The group of unit quaternions, SU(2), and the representation of rotations in SO(3) by unit quaternions
  • 代数与谱图论简介
  • SVD和伪逆的应用,尤其是主成分分析
  • 特征值和特征向量的计算方法,重点是QR算法

另外有比平常更详细介绍的四个主题:

  • Duality
  • Dual norms
  • The geometry of the orthogonal groups O(n) and SO(n), and of the unitary groups U(n) and SU(n)
  • 谱理论

作者介绍: Jean Gallier是宾夕法尼亚大学的教授,拥有法国和美国双国籍,1978年取得博士后学位就从事于计算机领域工作,发表过许多研究论文和书籍,其中《Computational geometry》、《Low-dimensional topology》、《Discrete mathematics》、《Discrete mathematics》等书籍的作者就是Jean Gallier

成为VIP会员查看完整内容
面向计算机视觉、机器人和机器学习的线性代数.pdf
0
113

由Marc Peter Deisenroth,A Aldo Faisal和Cheng Soon Ong撰写的《机器学习数学基础》“Mathematics for Machine Learning” 最新版417页pdf版本已经放出,作者表示撰写这本书旨在激励人们学习数学概念。这本书并不打算涵盖前沿的机器学习技术,因为已经有很多书这样做了。相反,作者的目标是通过该书提供阅读其他书籍所需的数学基础。这本书分为两部分:数学基础知识和使用数学基础知识进行机器学习算法示例。值得初学者收藏和学习!

目录

Part I: 数据基础

  • Introduction and Motivation
  • Linear Algebra
  • Analytic Geometry
  • Matrix Decompositions
  • Vector Calculus
  • Probability and Distribution
  • Continuous Optimization

Part II: 机器学习问题

  • When Models Meet Data
  • Linear Regression
  • Dimensionality Reduction with Principal Component Analysis
  • Density Estimation with Gaussian Mixture Models
  • Classification with Support Vector Machines
成为VIP会员查看完整内容
0
147
小贴士
相关VIP内容
相关论文
Wenwu Zhu,Xin Wang,Peng Cui
19+阅读 · 2020年1月2日
Seeing What a GAN Cannot Generate
David Bau,Jun-Yan Zhu,Jonas Wulff,William Peebles,Hendrik Strobelt,Bolei Zhou,Antonio Torralba
6+阅读 · 2019年10月24日
Knowledge Distillation from Internal Representations
Gustavo Aguilar,Yuan Ling,Yu Zhang,Benjamin Yao,Xing Fan,Edward Guo
4+阅读 · 2019年10月8日
Yongqin Xian,Saurabh Sharma,Bernt Schiele,Zeynep Akata
11+阅读 · 2019年3月25日
Maria Perez-Ortiz,Peter Tino,Rafal Mantiuk,Cesar Hervas-Martinez
3+阅读 · 2019年3月24日
Piotr Szymański,Tomasz Kajdanowicz,Nitesh Chawla
3+阅读 · 2019年1月1日
A General and Adaptive Robust Loss Function
Jonathan T. Barron
7+阅读 · 2018年11月5日
Yong Wang,Xiao-Ming Wu,Qimai Li,Jiatao Gu,Wangmeng Xiang,Lei Zhang,Victor O. K. Li
9+阅读 · 2018年7月8日
Fahim Irfan Alam,Jun Zhou,Alan Wee-Chung Liew,Xiuping Jia,Jocelyn Chanussot,Yongsheng Gao
10+阅读 · 2017年12月27日
Jiezhong Qiu,Yuxiao Dong,Hao Ma,Jian Li,Kuansan Wang,Jie Tang
15+阅读 · 2017年12月12日
Top