Lineární algebra a optimalizace pro strojové učení: Učebnice

Recenze čtenářů

Kniha je oceňována pro své komplexní pokrytí lineární algebry a optimalizace relevantní pro strojové učení, s jasnými vysvětleními a matematickou přísností. Čelí však kritice za to, že je obtížně srozumitelná, postrádá řešené příklady a řešení cvičení a obsahuje zavádějící popisy týkající se přístupu k příručkám s řešeními.

Komplexní pokrytí matematických témat potřebných pro strojové učení, jasná vysvětlení, dobré pro samouky, výborné pro pochopení pojmů jako PCA a SVD, přínosná cvičení pro procvičování.

Těžko sledovatelné, chybí vypracované příklady a řešení cvičení, málo diagramů, cvičení jsou často abstraktní a neodpovídají dobře obsahu, uváděná špatná kvalita tisku a zavádějící informace o dostupnosti řešení.

(na základě 18 hodnocení čtenářů)

Původní název:

Linear Algebra and Optimization for Machine Learning: A Textbook

Obsah knihy:

Tato učebnice představuje lineární algebru a optimalizaci v kontextu strojového učení. V celé učebnici jsou uvedeny příklady a cvičení spolu s přístupem k příručce řešení. Tato učebnice je určena studentům postgraduálního studia a profesorům informatiky, matematiky a datových věd. Tuto učebnici mohou využít i pokročilí studenti bakalářského studia. Kapitoly této učebnice jsou uspořádány následovně:

1. Lineární algebra a její aplikace: Kapitoly jsou zaměřeny na základy lineární algebry spolu s jejich běžnými aplikacemi na rozklad singulární hodnoty, faktorizaci matic, matice podobnosti (jádrové metody) a analýzu grafů. Jako příklady jsou použity četné aplikace strojového učení, například spektrální shlukování, klasifikace založená na jádrech a detekce odlehlých hodnot. Úzká integrace metod lineární algebry s příklady ze strojového učení odlišuje tuto knihu od obecných svazků o lineární algebře. Důraz je jednoznačně kladen na nejdůležitější aspekty lineární algebry pro strojové učení a na to, aby se čtenáři naučili tyto koncepty aplikovat.

2. Optimalizace a její aplikace: Většina strojového učení je řešena jako optimalizační problém, ve kterém se snažíme maximalizovat přesnost regresních a klasifikačních modelů. "Mateřským problémem" strojového učení zaměřeného na optimalizaci je regrese metodou nejmenších čtverců. Je zajímavé, že tento problém vzniká jak v lineární algebře, tak v optimalizaci a je jedním z klíčových spojovacích problémů obou oborů. Regrese nejmenších čtverců je také výchozím bodem pro stroje s podpůrnými vektory, logistickou regresi a doporučovací systémy. Kromě toho metody pro redukci dimenzionality a faktorizaci matic rovněž vyžadují vývoj optimalizačních metod. Je diskutován obecný pohled na optimalizaci ve výpočetních grafech spolu s jejími aplikacemi na zpětné šíření v neuronových sítích.

Častým problémem, kterému čelí začátečníci v oblasti strojového učení, jsou rozsáhlé základy potřebné v lineární algebře a optimalizaci. Jedním z problémů je, že existující kurzy lineární algebry a optimalizace nejsou specifické pro strojové učení.

Proto by člověk obvykle musel absolvovat více učební látky, než je nutné k osvojení strojového učení. Kromě toho se určité typy myšlenek a triků z optimalizace a lineární algebry opakují ve strojovém učení častěji než v jiných aplikačně zaměřených prostředích. Proto má značný význam rozvíjet pohled na lineární algebru a optimalizaci, který je lépe přizpůsoben specifické perspektivě strojového učení.