資料 | 機器學習數學基礎教程【PDF下載】

知識 10-12

《機器學習數學基礎》由

Marc Peter Deisenroth、A Aldo Faisal和Cheng Soon Ong撰寫，共

381頁。這本書並沒有涵蓋前沿的機器學習技術，而是

通過該書提供閱讀其他書籍所需的數學基礎。

共分為兩部分：數學基礎知識和使用數學基礎知識進行機器學習演算法示例。值得初學者收藏和學習！

這本書是用學術數學的風格來寫的，這使讀者能夠精確地了解機器學習背後的概念。作者鼓勵不熟悉這種簡潔的風格的讀者堅持閱讀下去，並牢記每個主題的目標。作者在整篇文章中都有標記和評論，希望這些評論能對讀者提供一些

有用的指導。此外，本書假定讀者具備高中數學和物理中常用的數學知識。例如，導數和積分，以及二維或三維的幾何向量。因此，本書的目標受眾包括普通大學生、夜校生和機器學習在線課程的學習者等等。

簡介（Introduction）

本書分為兩部分，第一部分是數學基礎的講解，第二部分是將第一部分的數學概念應用於基本的機器學習問題中，從而形成「機器學習四大支柱」，如下圖所示：

這本書的第一部分描述了關於機器學習系統的三個主要組成部分的數學概念和數學基礎：數據、模型和學習。在本書中，作者假設數據已經被適當地轉換成適合於閱讀的數字表示形式，並被轉換成計算機程序。在這本書中，作者認為數據是向量。模型是現實世界的簡化版本，它捕獲與任務相關的現實世界的各個方面。模型的用戶需要理解模型沒有捕捉到什麼，從而理解模型的局限性。概括起來就是，作者使用領域知識將數據表示為向量。並選擇一個合適的模型，要麼使用概率方法，要麼使用優化方法。採用數值優化的方法，對過去的數據進行學習，目的是它在看不見的數據上表現良好。

本書第二部分介紹了上圖所示的機器學習四大支柱，如下表所示。表中的每一行區分了相關變數是連續的還是非連續的類別的問題。作者解釋了如何將本書第一部分介紹的數學概念應用於機器學習演算法的設計中。在第8章中，作者以數學的方式重述了機器學習的三個組成部分(數據、模型和學習)。此外，作者還提供了一些建立實驗設置的指南，以防止對機器學習系統過於樂觀的評估。