Avis des lecteurs
Résumé:Les critiques indiquent que si « Mathematics for Machine Learning » constitue une ressource précieuse pour les personnes cherchant à renforcer leurs bases mathématiques dans le domaine de l'apprentissage automatique, il ne s'agit pas d'un texte autonome pour les débutants. Il offre des explications claires et couvre des sujets essentiels, mais suppose des connaissances préalables, ce qui le rend moins adapté à ceux qui n'ont pas de formation en mathématiques. Certains lecteurs le trouvent dense et pas assez détaillé dans certaines preuves, ce qui nécessite des ressources supplémentaires pour une compréhension approfondie.
Avantages:Le livre est loué pour sa clarté et son organisation, fournissant des concepts mathématiques concis et pertinents pour l'apprentissage automatique. Il constitue une excellente référence et une remise à niveau pour ceux qui sont familiers avec le calcul, l'algèbre linéaire et les statistiques. De nombreux lecteurs apprécient les liens établis entre les principes mathématiques et les applications pratiques de l'apprentissage automatique, ce qui rend la matière plus attrayante.
Inconvénients:De nombreux commentaires soulignent que le livre peut être difficile pour les débutants en raison de son hypothèse de connaissances mathématiques préalables. Certains le trouvent dense et dépourvu d'explications détaillées et de preuves pour certains concepts, ce qui peut être source de confusion. En outre, l'absence de réponses aux exercices limite son utilité en tant que texte d'auto-apprentissage.
(basé sur 96 avis de lecteurs)
Titre original :
Mathematics for Machine Learning
Contenu du livre :
Les outils mathématiques fondamentaux nécessaires pour comprendre l'apprentissage automatique comprennent l'algèbre linéaire, la géométrie analytique, les décompositions matricielles, le calcul vectoriel, l'optimisation, les probabilités et les statistiques.
Ces sujets sont traditionnellement enseignés dans des cours disparates, ce qui rend difficile l'apprentissage efficace des mathématiques pour les étudiants en science des données ou en informatique, ou pour les professionnels. Ce manuel autonome comble le fossé entre les textes mathématiques et les textes sur l'apprentissage automatique, en introduisant les concepts mathématiques avec un minimum de prérequis.
Il utilise ces concepts pour dériver quatre méthodes centrales d'apprentissage automatique : la régression linéaire, l'analyse en composantes principales, les modèles de mélange gaussien et les machines à vecteurs de support. Pour les étudiants et autres personnes ayant un bagage mathématique, ces dérivations constituent un point de départ pour les textes sur l'apprentissage automatique. Pour ceux qui apprennent les mathématiques pour la première fois, les méthodes aident à développer l'intuition et l'expérience pratique de l'application des concepts mathématiques.
Chaque chapitre comprend des exemples et des exercices pour tester la compréhension. Des tutoriels de programmation sont proposés sur le site web de l'ouvrage.
Autres informations sur le livre :
| ISBN : | 9781108470049 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2020 |
| Nombre de pages : | 398 |
Achat:
Actuellement disponible, en stock.
