Uczenie maszynowe jest powszechnie stosowane w aplikacjach, jednak szczegóły związane z aspektami teoretycznymi bywają zaniedbywane. Często wynika to z braku swobody w posługiwaniu się matematyką. Tymczasem bez solidnych podstaw w tym zakresie nie można mówić o profesjonalnym podejściu do uczenia maszynowego.

Dzięki tej książce poznasz najważniejsze dziedziny matematyki algebrę liniową, rachunek różniczkowy i całkowy, a także teorię prawdopodobieństwa niezbędne do opanowania zaawansowanych koncepcji w uczeniu maszynowym. Poszczególne zagadnienia przedstawiono z wyjątkową przejrzystością i w uporządkowany sposób. W książce powiązano teorię z praktyką: koncepcje matematyczne zostały bezpośrednio zastosowane w przykładach z zakresu uczenia maszynowego, zaimplementowanych w Pythonie. Wiedza uzyskana w toku lektury będzie przydatna na przykład w trenowaniu modeli uczenia maszynowego metodą spadku gradientu czy w pracy z wektorami, macierzami i tablicami wielowymiarowymi.

W książce znajdziesz najważniejsze koncepcje i zasady z dziedziny:

• algebry liniowej, w tym macierze, wartości własne i rozkłady
• rachunku różniczkowego i całkowego, w tym różniczkowanie i całkowanie
• złożonych technik analizy wielu zmiennych
• teorii prawdopodobieństwa, w tym rozkłady, twierdzenie Bayesa i entropię

W każdej wiedzy jest tyle prawdy, ile jest w niej matematyki!

Immanuel Kant