Ocena:
Książka skierowana jest do osób zainteresowanych nauką o danych i uczeniem maszynowym, zapewniając dobrze zorganizowane wprowadzenie do niezbędnych pojęć matematycznych. Chociaż skutecznie angażuje czytelników i łączy matematykę z aplikacjami uczenia maszynowego, niektórzy recenzenci uważają, że brakuje jej głębi w niektórych obszarach i mogłaby skorzystać z praktycznych ćwiczeń. Ogólnie rzecz biorąc, jest ona postrzegana jako dobre źródło wiedzy dla zmotywowanych uczniów z pewnym wcześniejszym doświadczeniem matematycznym.
Zalety:⬤ Zapewnia jasny podział sieci neuronowych i ram statystycznych.
⬤ Odpowiedni dla tych, którzy chcą rozpocząć naukę o danych, zwłaszcza z nieco technicznym zapleczem.
⬤ Wciągający tekst, który łączy pojęcia matematyczne z uczeniem maszynowym.
⬤ Dobre formatowanie dla Kindle.
⬤ Obejmuje matematykę na poziomie od licencjackiego do magisterskiego w kontekście aplikacji Pythona.
⬤ Wymaga solidnego przygotowania matematycznego, co może stanowić barierę dla niektórych czytelników.
⬤ Brak zestawu ćwiczeń do praktycznego zastosowania pojęć.
⬤ Niektórzy recenzenci stwierdzili, że skupia się na nieistotnych tematach, takich jak problem Monty'ego Halla, odciągając uwagę od praktycznych zastosowań głębokiego uczenia.
⬤ Przez niektórych opisywana jako zbyt płytka, by osiągnąć poważne postępy w uczeniu głębokim.
(na podstawie 7 opinii czytelników)
Math for Deep Learning: What You Need to Know to Understand Neural Networks
Math for Deep Learning zapewnia podstawową matematykę potrzebną do zrozumienia dyskusji na temat głębokiego uczenia się, zbadania bardziej złożonych implementacji i lepszego wykorzystania zestawów narzędzi do głębokiego uczenia się.
Dzięki Math for Deep Learning poznasz podstawową matematykę używaną przez głębokie uczenie i jako jego tło.
Będziesz pracować z przykładami w Pythonie, aby poznać kluczowe tematy związane z głębokim uczeniem się w zakresie prawdopodobieństwa, statystyki, algebry liniowej, rachunku różniczkowego i rachunku macierzowego, a także sposobu implementacji przepływu danych w sieci neuronowej, wstecznej propagacji i opadania gradientu. Będziesz także używać Pythona do pracy z matematyką, która leży u podstaw tych algorytmów, a nawet do zbudowania w pełni funkcjonalnej sieci neuronowej.
Ponadto omówione zostanie zejście gradientowe, w tym odmiany powszechnie stosowane przez społeczność głębokiego uczenia się: SGD, Adam, RMSprop i Adagrad/Adadelta.
