Mathematics for ML
1.0.0
기계 학습을위한 수학을 배우고 검토하기위한 리소스 모음.
Jean Gallier와 Jocelyn Qaintance에 의해
기계 학습 및 컴퓨터 과학을위한 수학적 개념을 포함합니다.
책 : https://www.cis.upenn.edu/~jean/math-deep.pdf
Ian Goodfellow와 Yoshua Bengio와 Aaron Courville
여기에는 딥 러닝 북의 딥 러닝을위한 수학 기본 사항이 포함됩니다.
장 : https://www.deeplearningbook.org/contents/part_basics.html
Marc Peter Deisenroth, A. Aldo Faisal 및 Cheng 곧 Ong
이것은 아마도 당신이 시작하고 싶은 곳일 것입니다. 천천히 시작하고 몇 가지 예를 들어보십시오. 표기법에 세심한주의를 기울이고 편안하게하십시오.
책 : https://mml-book.github.io
Kevin Patrick Murphy
이 책에는 고전적인 머신 러닝 방법에 대한 포괄적 인 개요와이를 설명하는 원칙이 포함되어 있습니다.
책 : https://probml.github.io/pml-book/book1.html
Brent Werness, Rachel Hu et al.
이 참조에는 딥 러닝에 대한 이해를 높이는 데 도움이되는 몇 가지 수학적 개념이 포함되어 있습니다.
장 : https://d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html
Benoit Liquet, Sarat Moka 및 Yoni Nazarathy
이 책은 딥 러닝의 수학 공학에 대한 완전하고 간결한 개요를 제공합니다. 딥 러닝 기초를 개요하는 것 외에도이 처리에는 컨볼 루션 신경망, 재발 성 신경망, 변압기, 생성 적대적 네트워크, 강화 학습 및 거래의 여러 트릭이 포함됩니다. 초점은 딥 러닝 모델, 알고리즘 및 방법에 대한 기본 수학적 설명에 중점을 둡니다.
책 : https://deeplearningmath.org
Alicia A. Johnson, Miles Q. Ott, Mine Dogucu
베이지안 접근법을 다루는 훌륭한 온라인 책.
책 : https://www.bayesrulesbook.com/index.html
Terence Parr & Jeremy Howard
딥 러닝에서는 많은 기본 매트릭스 작업을 이해해야합니다. 매트릭스 미적분학 수학에 깊이 빠져들고 싶다면 이것이 가이드입니다.
종이 : https://arxiv.org/abs/1802.01528
Gitta Kutyniok
딥 러닝 연구에서 수학의 중요성을 요약 한 기사와 그것이 분야를 발전시키는 데 어떻게 도움이되는지 요약 한 기사.
종이 : https://arxiv.org/pdf/2203.08890.pdf
Sam Cooper 박사와 David Dye 박사
역전은 미적분학에 의존하는 깊은 신경망을 훈련하기위한 핵심 알고리즘입니다. 체인 규칙, 야곱, 그라디언트 하강과 같은 개념에 익숙해 지십시오.
비디오 재생 목록 : https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0ln8nnqqmzimtw23
Sam Cooper 박사와 David Dye 박사
이전 비디오 강의에 대한 훌륭한 동반자. 신경망은 데이터에 대한 변환을 수행하며 그것이 어떻게 수행되는지에 대한 더 나은 직관을 얻으려면 선형 대수가 필요합니다.
비디오 재생 목록 : https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
Anand Avati에 의해
기계 학습의 많은 개념에 대한 수학적 설명을 포함하는 강의.
코스 : https://www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpuy0adh
Jerome H. Friedman, Robert Tibshirani 및 Trevor Hastie
기계 학습은 데이터를 다루고 통계가 가르치는 것을 목표로하는 불확실성을 다룹니다. 추정기, 통계적 유의성 등과 같은 주제에 익숙해 지십시오.
책 : https://hastie.su.domains/elemstatlearn/
통계 학습 소개에 관심이 있다면 "통계 학습 소개"를 확인하고 싶을 수도 있습니다.
ET Jaynes에 의해
기계 학습에서 우리는 확률 론적 모델 구축에 관심이 있으므로 조건부 확률 및 다른 확률 분포와 같은 확률 이론의 개념을 발견하게됩니다.
출처 : https://bayes.wustl.edu/etj/prob/book.pdf
David JC MacKay
기계 학습을 적용 할 때는 엔트로피 및 KL 발산과 같은 정보 이론의 아이디어에 의존하는 정보 처리를 다루고 있습니다.
책 : https://www.inference.org.uk/itprnn/book.html
칸 아카데미
머신 러닝에 필요한 통계 및 확률에 대한 완전한 개요.
코스 : https://www.khanacademy.org/math/statistics-probability
Sheldon Axler에 의해
인기있는 선형 대수 책에 대한 슬라이드 및 비디오 강의는 선형 대수가 올바르게 수행되었습니다.
강의 및 슬라이드 : https://linear.axler.net/ladrvideos.html
칸 아카데미
벡터, 행렬, 그에 대한 작업, Dot & Cross Product, 매트릭스 곱셈 등은 ML 수학에 대한 가장 기본적인 이해에 필수적입니다.
코스 : https://www.khanacademy.org/math/linear-algebra
칸 아카데미
사전 계산, 차동 미적분학, 적분 미적분학, 다변량 미적분학
코스 : https://www.khanacademy.org/math/calculus-home
이 컬렉션은 철저하지 않지만 기계 학습에 사용되는 수학적 개념을 배우기 시작하는 좋은 기초를 제공해야합니다. 궁금한 점이 있으면 트위터에 연락하십시오.
