Математика в машинном обучении
Эта книга представляет собой фундаментальное руководство по математическим основам, необходимым для глубокого понимания машинного обучения. Авторы объединяют ключевые дисциплины — линейную алгебру, аналитическую геометрию, векторный анализ, теорию вероятностей, статистику и непрерывную оптимизацию — в единую, логически связанную систему знаний.
Книга разделена на две части. Первая часть посвящена подробному изложению математических основ: от систем линейных уравнений и матричных разложений до вероятностных распределений и методов оптимизации. Вторая часть демонстрирует практическое применение этих знаний к основным задачам машинного обучения, таким как линейная регрессия, метод главных компонент (PCA), гауссово моделирование и метод опорных векторов (SVM).
Издание самодостаточно и подходит как для начинающих, кто хочет развить математическую интуицию и получить практический опыт, так и для профессионалов с базовым образованием, стремящихся к более продвинутому изучению машинного обучения. Книга помогает преодолеть разрыв между разрозненными математическими курсами и их применением в data science и computer science.
