Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe

Książka o uczeniu maszynowym odkrywa przed czytelnikami świat technologicznych innowacji, które mogą zmienić nasze codzienne życie. Od autonomicznych samochodów po medyczne systemy diagnozujące choroby z większą precyzją niż doświadczeni lekarze – to tylko przedsmak możliwości, jakie oferuje ta dziedzina. Niemniej jednak, aby w pełni docenić potencjał uczenia głębokiego, niezbędne jest zrozumienie kilku kluczowych koncepcji matematycznych.

Publikacja ta ułatwia przyswojenie wiedzy poprzez jasne wyjaśnienia dotyczace zagadnień takich jak probabilistyka, statystyka, algebra liniowa i rachunek różniczkowy. Książka zawiera fragmenty kodu w Pythonie oraz praktyczne przykłady, które pomagają zastosować teoretyczne zasady w rzeczywistych projektach. Czytelnicy rozpoczną swoją naukę od podstaw, jak twierdzenie Bayesa, zanim przejdą do bardziej zaawansowanych tematów związanych z uczeniem sieci neuronowych przy użyciu wektorów, macierzy i pochodnych. Ostatnie dwa rozdziały to praktyczna okazja do zastosowania zdobytej wiedzy poprzez implementację propagacji wstecznej oraz metody gradientu prostego – kluczowych algorytmów w dziedzinie sztucznej inteligencji.

Książka oferuje również głębsze spojrzenie na zastosowanie statystyki w analizie danych i ocenianiu modeli, wykorzystanie reguł prawdopodobieństwa, jak również użycie algebry liniowej w kontekście analizy głównych składowych i dekompozycji według wartości osobliwych. Zawiera także omówienie gradientowych metod optymalizacji, takich jak RMSprop, Adagrad i Adadelta.

Dla tych, którzy pragną zrozumieć, jak działają sieci neuronowe, odpowiedzi należy szukać właśnie w matematyce.