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

Uczenie maszynowe niesie ze sobą obietnicę niezwykłych wynalazkó,w: od samochodó,w autonomicznych po systemy medyczne diagnozujące choroby lepiej niż doświadczeni lekarze, ale także daje pole do rozwijania dziesiątkó,w innych mniej lub bardziej niepokojących innowacji. Dziś do budowania systemó,w uczenia maszynowego można posłużyć się wygodnymi frameworkami, jednak rzeczywiste zrozumienie uczenia głębokiego wymaga znajomości kilku koncepcji matematycznych.

Koncepcje te zostały przystępnie wyjaśnione właśnie w tej książce. W szczegó,lności zapoznasz się z praktycznymi aspektami probabilistyki, statystyki, algebry liniowej i rachunku ró,żniczkowego. Prezentacji tych zagadnień towarzyszą fragmenty kodu w Pythonie i praktyczne przykłady zastosowań w uczeniu głębokim. Rozpoczniesz od zapoznania się z podstawami, takimi jak twierdzenie Bayesa, a następnie przejdziesz do bardziej zaawansowanych zagadnień, w tym uczenia sieci neuronowych przy użyciu wektoró,w, macierzy i pochodnych. Dwa ostatnie rozdziały dadzą Ci szansę użycia nowej wiedzy do zaimplementowania propagacji wstecznej i metody gradientu prostego - dwó,ch podstawowych algorytmó,w napędzających rozwó,j sztucznej inteligencji.

W książce między innymi:

• zastosowanie statystyki do zrozumienia danych i oceny modeli
• prawidłowe korzystanie z reguł prawdopodobieństwa
• użycie wektoró,w i macierzy do przesyłania danych w sieciach neuronowych
• algebra liniowa w analizie głó,wnych składowych i rozkładu według wartości osobliwych
• gradientowe metody optymalizacji, takie jak RMSprop, Adagrad i Adadelta

Chcesz zrozumieć sieci neuronowe? Odpowiedzi szukaj w matematyce!