Không có gì bí mật khi toán học là nền tảng của học máy và rất quan trọng đối với sự hiểu biết của bạn về nền tảng của lĩnh vực này. Để thành công với tư cách là một người thực hành máy học, kiến thức về các cơ sở toán học có thể áp dụng là hoàn toàn cần thiết. Bạn có thể tìm hiểu về toán học máy học của mình ở đâu hoặc củng cố sự hiểu biết của mình bằng cách mở rộng cơ sở đó?
Toán học cho Máy học là một cuốn sách của Marc Peter Deisenroth, A Aldo Faisal và Cheng Soon Ong, với mục tiêu thúc đẩy mọi người học các khái niệm toán học, và được xuất bản bởi Nhà xuất bản Đại học Cambridge. Theo các tác giả, mục tiêu của văn bản là cung cấp các kỹ năng toán học cần thiết để sau đó đọc sách về các chủ đề học máy nâng cao hơn.
Trực tiếp từ các trang của cuốn sách:
Mặc dù học máy đã chứng kiến nhiều câu chuyện thành công và phần mềm luôn sẵn có để thiết kế và đào tạo các hệ thống học máy phong phú và linh hoạt, chúng tôi tin rằng nền tảng toán học của học máy rất quan trọng để hiểu được các nguyên tắc cơ bản mà các hệ thống học máy phức tạp hơn được xây dựng. Hiểu được những nguyên tắc này có thể tạo điều kiện thuận lợi cho việc tạo ra các giải pháp học máy mới, hiểu và gỡ lỗi các phương pháp tiếp cận hiện có cũng như tìm hiểu về các giả định và hạn chế vốn có của các phương pháp mà chúng tôi đang làm việc.
Toán học cho Máy học được chia thành hai phần:
- Cơ sở toán học
- Ví dụ về thuật toán học máy sử dụng các cơ sở toán học
Mục lục được chia nhỏ như sau:
Phần I: Cơ sở Toán học
- Giới thiệu và động lực
- Đại số tuyến tính
- Hình học giải tích
- Phân rã ma trận
- Toán tử vectơ
- Xác suất và phân phối
- Tối ưu hóa liên tục
Phần II: Các vấn đề về học máy trung tâm
- Khi mô hình gặp dữ liệu
- linear Regression
- Giảm kích thước với phân tích thành phần chính
- Ước tính mật độ với các mô hình hỗn hợp Gaussian
- Phân loại với Máy Véc tơ hỗ trợ
Như rõ ràng, phần đầu tiên của cuốn sách bao gồm các khái niệm toán học thuần túy, hoàn toàn không đi sâu vào học máy. Phần thứ hai hướng sự chú ý vào việc áp dụng các kỹ năng toán học mới này vào các bài toán máy học. Tùy thuộc vào mong muốn của bạn, bạn có thể thực hiện cách tiếp cận từ trên xuống hoặc từ dưới lên để tinh gọn cả học máy và các phép toán cơ bản của nó, hoặc chọn một phần khác để tập trung vào.
Bạn có thể tải xuống bản PDF của cuốn sách tại đây. Cuốn sách đã được xuất bản và bạn có thể mua bản sao thực, nhưng các tác giả sẽ tiếp tục cung cấp bản PDF có thể tải xuống miễn phí của cuốn sách.
Mục đích là cung cấp một cuốn sách ngắn gọn, súc tích, sau đó được bổ sung thêm bằng các bài tập và sổ ghi chép Jupyter. Để tìm hiểu thêm, bạn có thể tìm trang web đồng hành tại đây.
Băn khoăn liệu cuốn sách có xứng đáng với thời gian của bạn hay không? Đừng lấy lời của tôi cho nó; hãy kiểm tra những gì mà những người khổng lồ nặng ký này phải nói:
Cuốn sách này cung cấp sự bao quát tuyệt vời về tất cả các khái niệm toán học cơ bản cho học máy. Tôi mong muốn được chia sẻ nó với sinh viên, đồng nghiệp và bất kỳ ai quan tâm đến việc xây dựng sự hiểu biết vững chắc về các nguyên tắc cơ bản. ”
—Joelle Pineau, Đại học McGill và Facebook
“Lĩnh vực máy học đã phát triển đáng kể trong những năm gần đây, với một loạt các ứng dụng thành công ngày càng ấn tượng. Văn bản toàn diện này bao gồm các khái niệm toán học quan trọng làm nền tảng cho việc học máy hiện đại, tập trung vào đại số tuyến tính, giải tích và lý thuyết xác suất. Nó sẽ chứng tỏ giá trị vừa là một hướng dẫn cho những người mới tham gia vào lĩnh vực này, vừa là một văn bản tham khảo cho các nhà nghiên cứu và kỹ sư học máy ”.—Christopher Bishop, Nghiên cứu của Microsoft Cambridge
“Cuốn sách này cung cấp một sự trình bày tuyệt vời về toán học làm nền tảng cho việc học máy hiện đại. Đặc biệt khuyến khích cho bất kỳ ai muốn có một cửa hàng tổng hợp để có được sự hiểu biết sâu sắc về nền tảng học máy. ”—Pieter Abbeel, Đại học California, Berkeley
Tôi hy vọng bạn thấy cuốn sách hữu ích như những người khác đã có.
Matthew Mayo (@ mattmayo13) là Nhà khoa học dữ liệu và là Tổng biên tập của KDnuggets, nguồn tài nguyên về Khoa học dữ liệu và Máy học trực tuyến. Sở thích của anh ấy là về xử lý ngôn ngữ tự nhiên, thiết kế và tối ưu hóa thuật toán, học không giám sát, mạng nơ-ron và các phương pháp tiếp cận tự động đối với học máy. Matthew có bằng Thạc sĩ về khoa học máy tính và bằng tốt nghiệp về khai thác dữ liệu. Có thể liên hệ với anh ấy tại editor1 tại kdnuggets [dot] com.
