新书下载 | 面向机器学习的数学(Mathematics for Machine Learning)

2020 年 2 月 5 日 AINLP
新书下载 | 面向机器学习的数学(Mathematics for Machine Learning)


《面向机器学习的数学(Mathematics for Machine Learning)》是一本新书,由伦敦帝国理工学院的几位教授出版,于2020年出版,该书pdf电子版是完全公开的,在该书主页可以直接下载:https://mml-book.github.io/

该书电子版总计有16M,400多页,需要的同学也可以关注下方公众号,后台回复 MML 获取百度网盘地址:

Coursera上也有同名配套课程,可以同步参考:伦敦帝国理工学院的面向机器学习的数学专项课程系列(Mathematics for Machine Learning Specialization):

http://coursegraph.com/coursera-specializations-mathematics-machine-learning

该系列包含3门子课程,涵盖线性代数,多变量微积分,以及主成分分析(PCA),这个专项系列课程的目标是弥补数学与机器学习以及数据科学鸿沟,感兴趣的同学可以关注:Mathematics for Machine Learning。Learn about the prerequisite mathematics for applications in data science and machine learning。

该书主要包括两部分内容:数学基础和机器学习核心问题


资料获取方式:该书官网或者关注下方公众号,回复 MML 即可获取该书最新版PDF百度网盘地址:

登录查看更多
3

相关内容

机器学习(Machine Learning)是一个研究计算学习方法的国际论坛。该杂志发表文章,报告广泛的学习方法应用于各种学习问题的实质性结果。该杂志的特色论文描述研究的问题和方法,应用研究和研究方法的问题。有关学习问题或方法的论文通过实证研究、理论分析或与心理现象的比较提供了坚实的支持。应用论文展示了如何应用学习方法来解决重要的应用问题。研究方法论文改进了机器学习的研究方法。所有的论文都以其他研究人员可以验证或复制的方式描述了支持证据。论文还详细说明了学习的组成部分,并讨论了关于知识表示和性能任务的假设。 官网地址:http://dblp.uni-trier.de/db/journals/ml/

本文介绍了一阶优化方法及其在机器学习中的应用。这不是一门关于机器学习的课程(特别是它不涉及建模和统计方面的考虑),它侧重于使用和分析可以扩展到具有大量参数的大型数据集和模型的廉价方法。这些方法都是围绕“梯度下降”的概念而变化的,因此梯度的计算起着主要的作用。本课程包括最优化问题的基本理论性质(特别是凸分析和一阶微分学)、梯度下降法、随机梯度法、自动微分、浅层和深层网络。

成为VIP会员查看完整内容
0
104

本文介绍了一阶优化方法及其在机器学习中的应用。这不是一门关于机器学习的课程(特别是它不涉及建模和统计方面的考虑),它侧重于使用和分析可以扩展到具有大量参数的大型数据集和模型的廉价方法。这些方法都是围绕“梯度下降”的概念而变化的,因此梯度的计算起着主要的作用。本课程包括最优化问题的基本理论性质(特别是凸分析和一阶微分学)、梯度下降法、随机梯度法、自动微分、浅层和深层网络。

成为VIP会员查看完整内容
0
83

主题: Financial Machine Learning

课程目录:

  • 介绍
  • 端到端的ML项目
  • 分类
  • 线性模型
  • 决策树
  • 集成
  • 主要组成
  • 神经网络
成为VIP会员查看完整内容
0
68

题目: Machine Learning in Action

摘要: 这本书向人们介绍了重要的机器学习算法,介绍了使用这些算法的工具和应用程序,让读者了解它们在今天的实践中是如何使用的。大部分的机器学习书籍都是讨论数学,但很少讨论如何编程算法。这本书旨在成为从矩阵中提出的算法到实际运行程序之间的桥梁。有鉴于此,请注意这本书重代码轻数学。

代码下载链接: https://pan.baidu.com/s/1--8P9Hlp7vzJdvhnnhsDvw 提取码:vqhg

成为VIP会员查看完整内容
0
79

《Machine Learning Yearning》是吴恩达历时两年,根据自己多年实践经验整理出来的一本机器学习、深度学习实践经验宝典。 作为一本AI实战圣经,本书主要会你如何在实践中使机器学习算法的实战经验。

github链接:
https://github.com/yanshengjia/ml-road/blob/master/resources/机器学习训练秘籍.pdf

成为VIP会员查看完整内容
0
102

《Deep Learning》作为深度学习界的圣经,又名“花书”。英文版由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材,中文版由北京大学教授张志华审校出版。

全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。

中文版链接:https://github.com/yanshengjia/ml-road/blob/master/resources/深度学习.pdf

英文版链接:https://github.com/yanshengjia/ml-road/blob/master/resources/Deep%20Learning.pdf

成为VIP会员查看完整内容
0
156

2018年出版了一本关于功能工程的新编辑书,其中12篇由主要专家就特征工程的不同方面提供章节。由于特征工程通常是特定于数据类型且依赖于应用程序的,本书包含专门介绍主要数据类型的特征工程的章节,如文本数据、图像数据、序列数据、时间序列数据、图形数据、流数据、软件工程数据、Twitter 数据和社交媒体数据。这些章节介绍了生成经过反复测试、手工制作的特定于域的功能以及自动通用功能生成方法(如 Word2Vec)的方法。

成为VIP会员查看完整内容
0
35

谷歌研究员Kevin Patrick Murphy撰写的经典机器学习图书,由MIT出版社出版,《Machine Learning: a Probabilistic Perspective》,自2012年发行以来就奉为经典机器学习书目。本书内容完整,讲解详细,便于阅读,方便工程使用。最近作者在Github上发布了关于本书的Python代码,更加方便使用!本文附带1098页pdf下载。

Python配套代码

Github: https://github.com/probml/pyprobml

成为VIP会员查看完整内容
0
146

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
141
小贴士
相关资讯
相关论文
Wenwu Zhu,Xin Wang,Peng Cui
19+阅读 · 2020年1月2日
Joost Verbraeken,Matthijs Wolting,Jonathan Katzy,Jeroen Kloppenburg,Tim Verbelen,Jan S. Rellermeyer
28+阅读 · 2019年12月20日
Advances and Open Problems in Federated Learning
Peter Kairouz,H. Brendan McMahan,Brendan Avent,Aurélien Bellet,Mehdi Bennis,Arjun Nitin Bhagoji,Keith Bonawitz,Zachary Charles,Graham Cormode,Rachel Cummings,Rafael G. L. D'Oliveira,Salim El Rouayheb,David Evans,Josh Gardner,Zachary Garrett,Adrià Gascón,Badih Ghazi,Phillip B. Gibbons,Marco Gruteser,Zaid Harchaoui,Chaoyang He,Lie He,Zhouyuan Huo,Ben Hutchinson,Justin Hsu,Martin Jaggi,Tara Javidi,Gauri Joshi,Mikhail Khodak,Jakub Konečný,Aleksandra Korolova,Farinaz Koushanfar,Sanmi Koyejo,Tancrède Lepoint,Yang Liu,Prateek Mittal,Mehryar Mohri,Richard Nock,Ayfer Özgür,Rasmus Pagh,Mariana Raykova,Hang Qi,Daniel Ramage,Ramesh Raskar,Dawn Song,Weikang Song,Sebastian U. Stich,Ziteng Sun,Ananda Theertha Suresh,Florian Tramèr,Praneeth Vepakomma,Jianyu Wang,Li Xiong,Zheng Xu,Qiang Yang,Felix X. Yu,Han Yu,Sen Zhao
16+阅读 · 2019年12月10日
Bernhard Schölkopf
10+阅读 · 2019年11月24日
Deep Learning for Energy Markets
Michael Polson,Vadim Sokolov
4+阅读 · 2019年4月10日
Claudio Gambella,Bissan Ghaddar,Joe Naoum-Sawaya
8+阅读 · 2019年1月16日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Mobile big data analysis with machine learning
Jiyang Xie,Zeyu Song,Yupeng Li,Zhanyu Ma
5+阅读 · 2018年8月2日
Henggang Cui,Gregory R. Ganger,Phillip B. Gibbons
3+阅读 · 2018年3月20日
Lei Zhang,Shuai Wang,Bing Liu
24+阅读 · 2018年1月24日
Top