平博88网址动态 当前位置:平博88 > 平博88网址动态 >
平博88网址提高机器学习的数学基础,这本书应该添加时间:2019-08-31
 

  发表在几个智利没有文章。公共[故事](ID:decision_engine),通过各干好一些公众关注。

   源 KDnuggets

   作者 阿吉特Jaokar

   转移 智苑新的编辑器 明代

  [编者按]机器学习与数据科学是从数学分不开的,我们从来看数学,科学数据的基础点开始,并建议七个参考和两个附加读学习机。我相信有关各方打好数学基础将是有益的。

  大多数人学习的人的科学数据将专注于编程,事实上,规划产能的确是一个重要的机器学习技术和信息科学。然而,要真正掌握的数据和机器学习科学,数学可以忽略背后必然的科学数据。

  为此,文章介绍了在七个方面下工夫科学数据的数学基础上的技术书籍。当然,涉及到数学,经常阅读体验可以不是很方便,但这样做机器学习的一个很好的工作,打下了坚实的基础数学是必须的,为了努力学习权!

  先说说如何打好数学基础科学的学习资料。

  这里有一些原因,我的总结:

  AI迅速发展的领域所有的时间。韩丁认为,也许我们应该重新思考反向传播。数学知识的扎实的知识,以便更好地了解AI的进化。AI的扎实的数学,理解和认识其他人不同仅从AI的表面认识。此外,数学教师的知识,也能更好地理解人工智能技术的潜力带来的知识产权。最后,了解它背后的数学科学数据,也可以让人们的科学数据和AI-结束工作的地方更容易获得。

  此外,作者建议这些书,有两件事情因个人原因:

  1。在牛津大学教授最新的科学数据,包括AI技术的一些教学材料的应用,涉及数学教学过程的基本知识和课程的课程。

  2。其次,笔者正在写一本小书人工智能,从数学的角度来看,目标是14-18年,男孩。要了解更多有关数学和理科数学人工智能的数学基础,你需要了解的知识四个方面:线性代数,概率论,多元微积分和优化。目前有教授这些课程在高中的内容的至少一部分。所以,我试图连接数学和高中科学和人工智能的数据,侧重于数学模型。

  输入以下参数:

  01

  “统计学习理论的本质”统计学习理论的本质

  作者:弗拉基米尔·万普尼克

  PDF资源:

  如果你想对数学的书籍一排,这本书是绕不过去的。在第一单本书是著名的俄罗斯数学家弗拉基米尔·万普尼克的“统计学习理论的本质”。在书籍这份名单中,Vapnik等人,这是最容易找到。创始人弗拉基米尔·万普尼克支持向量机(SVM)的。他的维基百科页面提供的大多数他发现的说明。

  02

  模式分类(2007-12-24)“模式分类”

  作者:Richard?杜达

  PDF资源:

  作为书面Vapnik等,从另一个时代的又一经典之作,当你预订杜达。这本书出版于1973年,2000年,二十年后,他又推出了第二版,也已经被转载。近二十年过去之后,这本书仍然是一个重要的资源。本文档使用图案识别方法,和涉及范围广泛的算法。

  03

  机器学习:一种算法的角度来看,第二版(查普曼和霍尔/ CRC机器学习与模式识别)

  “机器学习:算法的角度”

  PDF资源:

  https://开头的文档。lagout。组织/科学/人工20Intelligence%/%20learning机/机20Learning _ %%% 20AN 20Algorithmic%20Perspective%20%第282%20ed。%29%20%5BMarsland%202014-10-08%5D。PDF格式

  这本书现在已经出版了第二版。我读这本书的第一版的机器学习和第二版的著作的第一本书一个增加了更多的算法Python代码。正如前面两本书,这本书还着重算法。

  04

  数据挖掘,推理,与预测,第二版:统计学习的要素

  “统计学习的基础知识:数据挖掘,推理与预测”(第二版)

  作者:特雷弗·黑斯蒂,罗伯特·蒂希雷尼,杰罗姆·弗里德曼

  PDF资源:

  https://开头的网络。斯坦福。埃杜/?黑斯蒂/卡/ ESLII。PDF格式

  另一个这种经典的可以被用作参考。

  05

  模式识别和机器学习(科学和统计学)

  “模式识别与机器学习(科学与统计)”

  作者:克里斯托弗中号。主教

  PDF资源:HTTP://用户。ISR。IST。UTL。PT /?wurmd / Livros /学校/主教%20-%20Pattern%20Recognition%20E%20Machine%20Learning%20-%20%202006%20Springer。PDF格式

  克里斯托弗中号。模式识别和机器学习的主教(科学和统计学)也精心设计了一本书完整的参考。

  06

  机器学习:艺术和科学ofAlgorithms,使数据的意义

  作者:彼得·弗拉克

  PDF资源:

  我喜欢这本书彼得·弗拉克,尽管有一些亚马逊的评论说,这写的太罗嗦了,代码量是不够的。关于这些主题的我特别喜欢的方式,整个聚类算法(逻辑模型,线性模型,概率模型)和书籍章节。

  最后,大部分的建议书:

  07

  深度学习“深度学习”

  作者:古德费洛,Bengio,Corville

  相关资源:

  如果你正在寻找的页面一本书值得一读的页面,它是!这本书不仅详细,而且现代的,这本书的内容涵盖了几乎所有你能想到的学习知识的深度。

  如果你不能点开链接文本数据,下载好一定数量他们有六个思想史,如果必要的话,回答“机器学习数学”公共窗口号理性对话情节详细的数。

  其他两本书:

  在机器学习,第二版(机器学习与模式识别)由西蒙·罗杰斯,马克基洛拉米第一场

  作者:西蒙·罗杰斯,马克基洛拉米

  我认为这本书是非常适合初学者,但它仍然是一本好书(尤其是第二版)

  机器学习:一个概率的角度

  作者:凯文·墨菲

  这本书估值水平偏高,但我个人没有看过(因此没有收集)。

  写在最后:

  除了持续的“深度学习”,我建议其他的书没有读一页一页,但作为参考书,阅读相应的书籍,所要求的相应主题。这些书教我保持谦虚。无论我们现在知道多少,掌握了多少知识,平博88怎么注册在阅读过程中被发现时,这个区域原来是如此庞大而复杂。

  这些书已经超越了时间。弗拉基米尔·万普尼克现在已经81年。杜达的书出版于1973年。我预计,50年后,这个行业的人依然会读这些书。如何重逢那些谁经历了时间的考验,就像老朋友一样。多年以后,也许你会发现技术,模型和令人眼花缭乱的框架背后,数学是永恒的。

  原文链接:

  星我,每天一点点比智慧“多