Hodnocení:
Kniha je určena zájemcům o datovou vědu a strojové učení a poskytuje přehledný úvod do potřebných matematických pojmů. Přestože účinně zaujme čtenáře a propojuje matematiku s aplikacemi strojového učení, někteří recenzenti mají pocit, že v některých oblastech postrádá hloubku a mohla by jí prospět praktická cvičení. Celkově je kniha vnímána jako dobrý zdroj informací pro motivované studenty s určitými předchozími matematickými znalostmi.
Klady:⬤ Poskytuje přehledné členění neuronových sítí a statistických rámců.
⬤ Vhodné pro ty, kteří chtějí vstoupit do datové vědy, zejména s poněkud technickým zázemím.
⬤ Poutavě napsaný text, který propojuje matematické koncepty se strojovým učením.
⬤ Dobré formátování pro Kindle.
⬤ Pokrývá matematiku na úrovni bakalářského až magisterského studia v kontextu aplikací Pythonu.
⬤ Vyžaduje solidní matematické základy, což může být pro některé čtenáře překážkou.
⬤ Chybí soubor cvičení k praktickému použití konceptů.
⬤ Někteří recenzenti shledali, že zaměření na nepodstatná témata, jako je například problém Monty Hall, odvádí pozornost od praktických aplikací hlubokého učení.
⬤ Někteří popisují, že je příliš povrchní pro vážný pokrok v hlubokém učení.
(na základě 7 hodnocení čtenářů)
Math for Deep Learning: What You Need to Know to Understand Neural Networks
Matematika pro hluboké učení poskytuje základní matematiku, kterou potřebujete k pochopení diskusí o hlubokém učení, prozkoumání složitějších implementací a lepšímu používání sad nástrojů pro hluboké učení.
S knihou Matematika pro hluboké učení se naučíte základní matematiku používanou hlubokým učením a jako jeho pozadí.
Na příkladech v jazyce Python se naučíte klíčová témata související s hlubokým učením v oblasti pravděpodobnosti, statistiky, lineární algebry, diferenciálního a maticového počtu a také to, jak implementovat tok dat v neuronové síti, zpětné šíření a gradientní sestup. Pomocí jazyka Python budete také pracovat s matematikou, která je základem těchto algoritmů, a dokonce sestavíte plně funkční neuronovou síť.
Kromě toho zde najdete pokrytí gradientního sestupu včetně variant běžně používaných komunitou hlubokého učení: SGD, Adam, RMSprop a Adagrad/Adadelta.
