内容简介:MIT 教授 Gilbert Strang 最新书籍《线性代数与数据学习》(Linear Algebra and Learning from Data)将在 1 月中旬发行。这一本书为机器学习提供了很多数学基础,它同时也提供了深度学习一些基本概念。可以说借助这本书,我们能从数学的角度来理解流行的模型。书籍主页:这本书的目的是解释数据科学和机器学习所依赖的数学:
MIT 教授 Gilbert Strang 最新书籍《线性代数与数据学习》(Linear Algebra and Learning from Data)将在 1 月中旬发行。这一本书为机器学习提供了很多数学基础,它同时也提供了深度学习一些基本概念。可以说借助这本书,我们能从数学的角度来理解流行的模型。
书籍主页: http://math.mit.edu/~gs/learningfromdata/
这本书的目的是解释数据科学和机器学习所依赖的数学: 线性代数 、 最优化 、概率论和统计学。因为在机器学习中,学习函数中的权重会以矩阵形式表示,这些权重通过 随机梯度下降 优化,而「随机」一词提示训练收敛是概率性的。此外,概率论中的大数定律被扩展到了大函数定律:如果架构设计良好并且参数计算良好,则有很高的概率能成功收敛。
请注意这不是一本关于计算或编码或软件的书。已经有很多书籍对这些方面做了很好的介绍,比如《Hands-On Machine Learning》;还有很多 TensorFlow、Keras、MathWorks 和 Caffe 等的在线资源,也能提供很多帮助。
线性代数有众多美妙的矩阵变体:对称矩阵、正交矩阵、三角矩阵、Banded 矩阵、转置矩阵和正定矩阵等等。在 Gilbert 的教学经验中,他认为正定对称矩阵 S 是非常美妙的东西。它们有正的特征值λ和正交的特征向量 q,它们的线性组合可以将秩为 1 的简单映射 qq^T 与对应特征值重构为正定矩阵 S,即:
如果 λ_1>=λ_2>=...,那么上式特征值λ_1 以及对应的特征向量组成的第一个分量就是 S 最具信息的部分。对于一个简单的协方差矩阵,这一部分就对应着对大的方差,这也是降维算法 PCA 最核心的思想。
此外,在书籍主页中,作者还提供了试读的样章,包括深度学习、书籍前言、目录、矩阵初等变换、矩阵乘法和其它一些从矩阵看卷积网络等新知识。作者表明书籍主页会持续更新,包括印刷计划和全本开放阅读等。
William Gilbert Strang
William Gilbert Strang,美国数学家,在有限元理论、变分法、小波分析和线性代数等方面皆有研究贡献。他对数学教育做出了许多贡献,包括出版七本数学教科书和专著。斯特朗现任麻省理工学院数学系 MathWorks 讲座教授。主要讲授课程为线性代数入门(Introduction to Linear Algebra,18.06)和计算科学与工程(Computational Science and Engineering,18.085),这些课程都可在麻省理工学院开放式课程中免费学习。
以下是这本书的目录:
以上所述就是小编给大家介绍的《线性代数与数据学习:MIT教授Gilbert Strang帮你打下坚实的数学基础》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 算法工程师的数学基础:线性代数中的矩阵
- 算法工程师的数学基础:线性代数中的向量和向量空间
- 算法工程师的数学基础:线性代数中的向量内积和外积概念及几何意义
- 强化学习的线性代数
- [译] JavaScript 线性代数:使用 ThreeJS 制作线性变换动画
- [译] JavaScript 线性代数:向量
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
JavaScript Patterns
Stoyan Stefanov / O'Reilly Media, Inc. / 2010-09-21 / USD 29.99
What's the best approach for developing an application with JavaScript? This book helps you answer that question with numerous JavaScript coding patterns and best practices. If you're an experienced d......一起来看看 《JavaScript Patterns》 这本书的介绍吧!