《Python 机器学习》这本书的许多读者与我联系,向我咨询有关补习数学知识的资源。鉴于许多人没有时间或动力花数年时间来学习传统的数学教科书或课程,我想也许可以把一些资源拿出来,让机器学习从业者尽快掌握基础知识。 因此,早在 2015 年,我就开始撰写《机器学习数学》一书,并在 LeanPub 上做了简短的分享。然而在写这本书时,我很快意识到,由于优先事项的转变,自己很可能无法在可预见的未来完成这本书。然而,在将已经写好或起草好的内容藏起来之前,我认为以某种形式进行分享可能是有帮助的。
资源地址:https://sebastianraschka.com/resources/math-for-ml/
书稿总共分为五个部分:
-
附录 A:数学符号
-
附录 B:代数基础
-
附录 C:线性代数基础
-
附录 D:微积分与微分入门
-
附录 E:概率论概述
附录 B 中对与机器学习算法背后的数学相关的基本代数概念进行了回顾。代数是数学的一个分支领域,它使用数字和字母(或符号)来描述关系。代数经常被用来解决至少有一个量是未知的或可能变化的问题(通常称之为变量)。简单地说,我们可以把代数看作是一种结合了字母、符号和数字的语言,用来概括算术运算和解决带有变量的方程式。
最初,我倾向于写更多关于「数学」部分的文章,这对于几乎所有非数学专业的人来说都是一个真正的障碍。一开始我认为写一本关于「机器学习数学」的书是一件很酷的事情。现在,我有大约 15 章关于预微积分、微积分、线性代数、统计学和概率论的笔记。但是,我最终得出结论,已经有太多其他数学书籍了,其中的大多数比我撰写的 500 页内容介绍得更好、更全面、更准确。毕竟,我认为学习和理解一门学科的真正动机首先来自于对它的兴趣。
因此,与其写这个「前传」,不如让我写一些基于我在《Python 机器学习》后续章节中介绍的概念的东西 —— 深度学习算法。在我们从头开始编写多层感知器(某种前馈人工神经网络)之后,我们简要了解了一些用于实现深度学习算法的 Python 库,并在概念层面上介绍了卷积神经网络和递归神经网络。
在本书中,我想从头开始实现深度神经网络和深度学习算法,整个过程中使用 Python、NumPy 和 SciPy。除了普通的 Python 堆栈之外,还将在 TensorFlow 中实现这些算法。
评论
沙发等你来抢