Algebra liniowa i optymalizacja w uczeniu maszynowym: Podręcznik

Opinie czytelników

Książka jest chwalona za kompleksowe omówienie algebry liniowej i optymalizacji istotnych dla uczenia maszynowego, z jasnymi wyjaśnieniami i rygorem matematycznym. Jest jednak krytykowana za to, że jest trudna do zrozumienia, brakuje w niej praktycznych przykładów i rozwiązań ćwiczeń oraz zawiera mylące opisy dotyczące dostępu do podręczników z rozwiązaniami.

Kompleksowe omówienie zagadnień matematycznych potrzebnych do uczenia maszynowego, jasne wyjaśnienia, dobre dla osób uczących się samodzielnie, doskonałe do zrozumienia pojęć takich jak PCA i SVD, korzystne ćwiczenia do praktyki.

Trudna do zrozumienia, brakuje opracowanych przykładów i rozwiązań ćwiczeń, niewiele diagramów, ćwiczenia są często abstrakcyjne i nie są dobrze dopasowane do treści, słaba jakość druku i wprowadzające w błąd informacje o dostępności rozwiązań.

(na podstawie 18 opinii czytelników)

Oryginalny tytuł:

Linear Algebra and Optimization for Machine Learning: A Textbook

Zawartość książki:

Ten podręcznik wprowadza algebrę liniową i optymalizację w kontekście uczenia maszynowego. W podręczniku znajdują się przykłady i ćwiczenia wraz z dostępem do podręcznika rozwiązań. Ten podręcznik jest skierowany do studentów studiów magisterskich i profesorów informatyki, matematyki i nauki o danych. Z podręcznika mogą również korzystać zaawansowani studenci studiów licencjackich. Rozdziały tego podręcznika są zorganizowane w następujący sposób:

1. Algebra liniowa i jej zastosowania: Rozdziały koncentrują się na podstawach algebry liniowej wraz z ich powszechnymi zastosowaniami do rozkładu wartości pojedynczej, faktoryzacji macierzy, macierzy podobieństwa (metody jądra) i analizy grafów. Liczne aplikacje uczenia maszynowego zostały wykorzystane jako przykłady, takie jak grupowanie widmowe, klasyfikacja oparta na jądrze i wykrywanie wartości odstających. Ścisła integracja metod algebry liniowej z przykładami z uczenia maszynowego odróżnia tę książkę od ogólnych tomów poświęconych algebrze liniowej. Skupia się ona na najbardziej istotnych aspektach algebry liniowej dla uczenia maszynowego i uczy czytelników, jak stosować te koncepcje.

2. Optymalizacja i jej zastosowania: Duża część uczenia maszynowego jest stawiana jako problem optymalizacyjny, w którym staramy się zmaksymalizować dokładność modeli regresji i klasyfikacji. "Problemem macierzystym" uczenia maszynowego skoncentrowanego na optymalizacji jest regresja najmniejszych kwadratów. Co ciekawe, problem ten pojawia się zarówno w algebrze liniowej, jak i optymalizacji, i jest jednym z kluczowych problemów łączących te dwie dziedziny. Regresja najmniejszych kwadratów jest również punktem wyjścia dla maszyn wektorów nośnych, regresji logistycznej i systemów rekomendacji. Co więcej, metody redukcji wymiarowości i faktoryzacji macierzy również wymagają opracowania metod optymalizacji. Omówiono ogólne spojrzenie na optymalizację w grafach obliczeniowych wraz z jej zastosowaniami do propagacji wstecznej w sieciach neuronowych.

Częstym wyzwaniem, przed którym stają początkujący w dziedzinie uczenia maszynowego, jest wymagana rozległa wiedza z zakresu algebry liniowej i optymalizacji. Jednym z problemów jest to, że istniejące kursy algebry liniowej i optymalizacji nie są specyficzne dla uczenia maszynowego.

W związku z tym, aby nauczyć się uczenia maszynowego, trzeba zazwyczaj ukończyć więcej kursów, niż jest to konieczne. Co więcej, niektóre rodzaje pomysłów i sztuczek z optymalizacji i algebry liniowej powtarzają się częściej w uczeniu maszynowym niż w innych zastosowaniach. W związku z tym istnieje znaczna wartość w rozwijaniu poglądu na algebrę liniową i optymalizację, który jest lepiej dostosowany do konkretnej perspektywy uczenia maszynowego.