Bewertung:
Das Buch richtet sich an alle, die sich für Data Science und maschinelles Lernen interessieren, und bietet eine gut strukturierte Einführung in die notwendigen mathematischen Konzepte. Während es die Leser effektiv anspricht und die Mathematik mit Anwendungen des maschinellen Lernens verbindet, sind einige Rezensenten der Meinung, dass es in bestimmten Bereichen an Tiefe mangelt und von praktischen Übungen profitieren könnte. Insgesamt wird es als eine gute Ressource für motivierte Lernende mit einigen mathematischen Vorkenntnissen angesehen.
Vorteile:⬤ Bietet eine klare Aufschlüsselung von neuronalen Netzen und statistischen Rahmenwerken.
⬤ Geeignet für diejenigen, die in die Datenwissenschaft einsteigen wollen, insbesondere mit einem etwas technischen Hintergrund.
⬤ Spannende Texte, die mathematische Konzepte mit maschinellem Lernen verbinden.
⬤ Gute Formatierung für Kindle.
⬤ Deckt Mathematik auf Undergraduate- bis Graduate-Niveau im Kontext von Python-Anwendungen ab.
⬤ Erfordert ein solides mathematisches Hintergrundwissen, was für einige Leser ein Hindernis darstellen könnte.
⬤ Es fehlt eine Reihe von Übungen, um Konzepte praktisch anzuwenden.
⬤ Einige Rezensenten fanden, dass der Fokus auf irrelevante Themen, wie das Monty-Hall-Problem, von praktischen Deep-Learning-Anwendungen ablenkt.
⬤ Von einigen wurde das Buch als zu oberflächlich für ernsthafte Fortschritte im Deep Learning beschrieben.
(basierend auf 7 Leserbewertungen)
Math for Deep Learning: What You Need to Know to Understand Neural Networks
Math for Deep Learning liefert die grundlegende Mathematik, die Sie benötigen, um Deep-Learning-Diskussionen zu verstehen, komplexere Implementierungen zu erforschen und die Deep-Learning-Toolkits besser zu nutzen.
Mit Math for Deep Learning lernen Sie die grundlegende Mathematik, die von Deep Learning verwendet wird und als Hintergrund für Deep Learning dient.
Anhand von Python-Beispielen lernen Sie die wichtigsten Themen des Deep Learning in den Bereichen Wahrscheinlichkeit, Statistik, lineare Algebra, Differential- und Matrizenrechnung sowie die Implementierung des Datenflusses in einem neuronalen Netzwerk, Backpropagation und Gradientenabstieg. Sie werden auch Python verwenden, um die Mathematik, die diesen Algorithmen zugrunde liegt, durchzuarbeiten und sogar ein voll funktionsfähiges neuronales Netz aufzubauen.
Darüber hinaus wird der Gradientenabstieg behandelt, einschließlich der von der Deep-Learning-Community häufig verwendeten Varianten: SGD, Adam, RMSprop und Adagrad/Adadelta.
| ISBN: | 9781718501904 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
