Linear Algebra and Optimization for Machine Learning: A Textbook

Recenzii ale cititorilor

Cartea este lăudată pentru acoperirea cuprinzătoare a algebrei liniare și a optimizării în ceea ce privește învățarea automată. Deși este riguroasă din punct de vedere matematic și oferă explicații clare, mulți cititori o consideră dificilă și lipsită de exemple practice. Absența soluțiilor la exerciții complică și mai mult studiul individual, ducând la frustrare în rândul cursanților independenți. În plus, unele recenzii menționează calitatea slabă a imprimării și descrieri înșelătoare cu privire la resursele disponibile.

⬤ Acoperire cuprinzătoare a algebrei liniare și a optimizării pentru învățarea automată.
⬤ Matematică clară, cu o bună progresie a subiectelor.
⬤ Util pentru înțelegerea literaturii de învățare automată.
⬤ Explicații concise și exerciții bune care provoacă cititorul.
⬤ Excelent atât pentru studiul academic, cât și pentru lectura ocazională.

⬤ Greu de urmărit pentru unii cititori, necesitând o lectură lentă și repetată.
⬤ Puține exemple de lucru și relațiile dintre concepte sunt adesea neclare.
⬤ Lipsa răspunsurilor la exercițiile practice îngreunează autoînvățarea.
⬤ Descriere înșelătoare cu privire la disponibilitatea soluțiilor; nu sunt accesibile pentru cititorii ocazionali.
⬤ Rapoarte privind calitatea slabă a imprimării și defecte fizice în unele exemplare.

(pe baza a 18 recenzii ale cititorilor)

Conținutul cărții:

Acest manual prezintă algebra liniară și optimizarea în contextul învățării automate. Exemple și exerciții sunt furnizate pe parcursul cărții. Un manual de soluții pentru exercițiile de la sfârșitul fiecărui capitol este disponibil pentru instructorii de predare. Acest manual se adresează studenților de nivel universitar și profesorilor din domeniul informaticii, matematicii și științei datelor. Studenții universitari avansați pot utiliza, de asemenea, acest manual. Capitolele pentru acest manual sunt organizate după cum urmează:

1. Algebra liniară și aplicațiile sale: Capitolele se concentrează pe elementele de bază ale algebrei liniare împreună cu aplicațiile lor comune pentru descompunerea valorii singulare, factorizarea matricei, matricele de similitudine (metode kernel) și analiza grafică. Numeroase aplicații de învățare automată au fost folosite ca exemple, cum ar fi clusterizarea spectrală, clasificarea bazată pe kernel și detectarea valorilor aberante. Integrarea strânsă a metodelor de algebră liniară cu exemple din machine learning diferențiază această carte de volumele generice despre algebra liniară. Accentul este pus în mod clar pe cele mai relevante aspecte ale algebrei liniare pentru învățarea automată și pentru a învăța cititorii cum să aplice aceste concepte.

2. Optimizarea și aplicațiile sale: O mare parte din învățarea automată este prezentată ca o problemă de optimizare în care încercăm să maximizăm precizia modelelor de regresie și clasificare. "Problema mamă" a învățării automate centrate pe optimizare este regresia celor mai mici pătrate. Interesant este faptul că această problemă apare atât în algebra liniară, cât și în optimizare și este una dintre problemele-cheie de legătură dintre cele două domenii. Regresia celor mai mici pătrate este, de asemenea, punctul de plecare pentru mașinile vectoriale de sprijin, regresia logistică și sistemele de recomandare. În plus, metodele de reducere a dimensionalității și factorizarea matricei necesită, de asemenea, dezvoltarea de metode de optimizare. O viziune generală asupra optimizării în grafurile computaționale este discutată împreună cu aplicațiile sale la propagarea înapoi în rețelele neuronale.

O provocare frecventă cu care se confruntă începătorii în domeniul învățării automate este pregătirea extinsă necesară în algebra liniară și optimizare. Una dintre probleme este că cursurile existente de algebră liniară și optimizare nu sunt specifice învățării automate.

Prin urmare, o persoană ar trebui să parcurgă mai multe cursuri decât este necesar pentru a se familiariza cu învățarea mecanică. În plus, anumite tipuri de idei și trucuri din optimizare și algebră liniară apar mai frecvent în învățarea mecanică decât în alte contexte centrate pe aplicații. Prin urmare, există o valoare semnificativă în dezvoltarea unei viziuni asupra algebrei liniare și a optimizării care este mai potrivită pentru perspectiva specifică a învățării automate.