Értékelés:
A könyv az adattudomány és a gépi tanulás iránt érdeklődőknek szól, jól strukturált bevezetést nyújt a szükséges matematikai fogalmakba. Bár hatékonyan leköti az olvasókat, és összekapcsolja a matematikát a gépi tanulási alkalmazásokkal, egyes kritikusok úgy érzik, hogy bizonyos területeken nem elég mély, és a gyakorlati gyakorlatok is hasznosak lennének. Összességében a könyv jó forrásnak tekinthető a motivált tanulók számára, akiknek van némi korábbi matematikai hátterük.
Előnyök:⬤ Világos bontást nyújt a neurális hálózatokról és a statisztikai keretrendszerekről.
⬤ Alkalmas azok számára, akik az adattudományok területére szeretnének belépni, különösen, ha valamilyen technikai háttérrel rendelkeznek.
⬤ Magával ragadó írás, amely a matematikai fogalmakat összekapcsolja a gépi tanulással.
⬤ Jó formázás a Kindle számára.
⬤ Lefed egy alapfokú és egy kis felsőfokú matematikai szintet a Python alkalmazásainak kontextusában.
⬤ Szilárd matematikai hátteret igényel, ami egyes olvasók számára akadályt jelenthet.
⬤ Hiányoznak a gyakorlati alkalmazást segítő gyakorlatok.
⬤ Egyes kritikusok szerint az irreleváns témákra, például a Monty Hall-problémára való összpontosítás elvonja a figyelmet a mélytanulás gyakorlati alkalmazásaitól.
⬤ Egyesek szerint túl sekélyes a mélytanulásban való komoly előrelépéshez.
(7 olvasói vélemény alapján)
Math for Deep Learning: What You Need to Know to Understand Neural Networks
A Math for Deep Learning a mélytanulással kapcsolatos alapvető matematikai ismereteket nyújt, amelyekre a mélytanulási viták megértéséhez, a bonyolultabb megvalósítások felfedezéséhez és a mélytanulási eszközkészletek jobb használatához van szükség.
A Math for Deep Learning segítségével megismerheti a mélytanulás által használt és a mélytanulás hátteréül szolgáló alapvető matematikát.
Python példákon keresztül dolgozhatsz a mélytanulással kapcsolatos kulcsfontosságú témák elsajátításán a valószínűségszámítás, a statisztika, a lineáris algebra, a differenciálszámítás és a mátrixszámítás területén, valamint azon, hogyan kell megvalósítani az adatáramlást egy neurális hálózatban, a backpropagationt és a gradiens ereszkedést. A Python segítségével az ezen algoritmusok alapjául szolgáló matematikát is feldolgozhatod, sőt egy teljesen működőképes neurális hálózatot is építhetsz.
Emellett a gradiens süllyedésről is szó lesz, beleértve a mélytanulási közösség által gyakran használt variációkat is: SGD, Adam, RMSprop és Adagrad/Adadelta.
