Ocena:
Książka „The Math of Neural Networks” autorstwa Michaela Taylora stanowi szczegółowe i przystępne wprowadzenie do sieci neuronowych, skierowane przede wszystkim do początkujących z podstawami matematyki. Chociaż wielu uważa, że wizualna prezentacja jest skuteczna, a wyjaśnienia jasne, książka wymaga cierpliwości i wcześniejszej wiedzy, aby w pełni zrozumieć złożone koncepcje. Niektórzy czytelnicy zwracają uwagę na jakość samodzielnej publikacji i ograniczenia w prezentacji, ale ogólnie rzecz biorąc, jest ona zalecana dla osób zainteresowanych uczeniem maszynowym i uczeniem głębokim.
Zalety:Przejrzysta i dobrze wyjaśniona treść, ładna prezentacja wizualna, wyczerpujące informacje dla początkujących, skuteczne rozbicie złożonych pomysłów, pouczające grafiki i przykłady oraz dobre źródło do dalszej nauki.
Wady:Wymaga podstawowej znajomości matematyki i statystyki, może stanowić wyzwanie dla zupełnie początkujących, jakość samodzielnej publikacji z drobnymi problemami z formatowaniem, a niektórzy uważają, że jest gęsta i nie nadaje się do szybkiego czytania.
(na podstawie 61 opinii czytelników)
The Math of Neural Networks
Istnieje wiele powodów, dla których sieci neuronowe fascynują nas i przyciągają nagłówki gazet w ostatnich latach. Usprawniają wyszukiwanie w sieci, porządkują zdjęcia, a nawet są wykorzystywane w tłumaczeniu mowy.
Heck, mogą nawet generować szyfrowanie. Jednocześnie są one również tajemnicze i zagmatwane: jak dokładnie osiągają te rzeczy? Co dzieje się wewnątrz sieci neuronowej? Na wysokim poziomie sieć uczy się tak jak my, metodą prób i błędów. Jest to prawdą niezależnie od tego, czy sieć jest nadzorowana, nienadzorowana czy pół-nadzorowana.
Gdy jednak zagłębimy się nieco bardziej, odkryjemy, że kilka funkcji matematycznych odgrywa główną rolę w procesie prób i błędów. Staje się również jasne, że zrozumienie podstawowej matematyki pomaga wyjaśnić, w jaki sposób sieć się uczy.
W kolejnych rozdziałach rozpakujemy matematykę, która napędza sieć neuronową. Aby to zrobić, użyjemy sieci typu feedforward jako naszego modelu i będziemy śledzić dane wejściowe, które przechodzą przez sieć.
