Lineární algebra a optimalizace pro strojové učení: Učebnice

Recenze čtenářů

Kniha je oceňována pro své komplexní pokrytí lineární algebry a optimalizace v souvislosti se strojovým učením. Přestože je matematicky přesná a nabízí jasná vysvětlení, mnozí čtenáři ji považují za náročnou a postrádající praktické příklady. Absence řešení cvičení dále komplikuje samostudium, což vede k frustraci samostatných studentů. Některé recenze navíc zmiňují špatnou kvalitu tisku a zavádějící popisy týkající se dostupných zdrojů.

⬤ Komplexní pokrytí lineární algebry a optimalizace pro strojové učení.
⬤ Matematicky přehledné a s dobrým vývojem témat.
⬤ Užitečné pro pochopení literatury o strojovém učení.
⬤ Stručná vysvětlení a dobrá cvičení, která jsou pro čtenáře výzvou.
⬤ Skvělé jak pro akademické studium, tak pro příležitostné čtení.

⬤ Pro některé čtenáře obtížně srozumitelné, vyžaduje pomalé a opakované čtení.
⬤ Málo příkladů z praxe a vztahy mezi pojmy jsou často nejasné.
⬤ Nedostatek odpovědí na cvičení ztěžuje samostudium.
⬤ Zavádějící popis dostupnosti řešení; není přístupný pro příležitostné čtenáře.
⬤ Zprávy o špatné kvalitě tisku a fyzických vadách některých výtisků.

(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 knize jsou uvedeny příklady a cvičení. Pro vyučující je k dispozici příručka s řešením cvičení na konci každé kapitoly. 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.