时隔七年的填坑之作:《机器学习数学》书稿PDF免费下载了
机器之心报道 机器之心编辑部
花了七年时间填坑，《机器学习数学》的书稿终于和读者们见面了。说到《Python 机器学习》，AI 领域的研究者都不会感到陌生。这本书可以说是近十年来最畅销的机器学习书籍之一，也是其作者 Sebastian Raschka 最具代表性的作品。
Sebastian Raschka
《Python 机器学习》这本书的许多读者与我联系，向我咨询有关补习数学知识的资源。鉴于许多人没有时间或动力花数年时间来学习传统的数学教科书或课程，我想也许可以把一些资源拿出来，让机器学习从业者尽快掌握基础知识。虽然挖了坑之后很多年没填，但现在 Sebastian Raschka 已经将这些书稿公布出来，以 PDF 的形式开放下载。
因此，早在 2015 年，我就开始撰写《机器学习数学》一书，并在 LeanPub 上做了简短的分享。然而在写这本书时，我很快意识到，由于优先事项的转变，自己很可能无法在可预见的未来完成这本书。然而，在将已经写好或起草好的内容藏起来之前，我认为以某种形式进行分享可能是有帮助的。
书稿内容
事实上，这些有关于数学主题的内容，是以书籍《人工神经网络和深度学习简介：Python 应用实用指南》的附录形式公布的。
- 附录 A：数学符号
- 附录 B：代数基础
- 附录 C：线性代数基础
- 附录 D：微积分与微分入门
- 附录 E：概率论概述
作者提示，虽然本附录的目的是让读者了解代数基础知识，但它并非一个全面的代数资源。如果你想更深入地学习代数，可以参考更全面的资源，比如 Tyler Wallace 的《初级和中级代数》。
对于《人工神经网络和深度学习简介：Python 应用实用指南》这本书，Sebastian Raschka 的定位是「继续《Python 机器学习》中断的地方，并在 TensorFlow 中实现深度学习算法」。
最初，我倾向于写更多关于「数学」部分的文章，这对于几乎所有非数学专业的人来说都是一个真正的障碍。一开始我认为写一本关于「机器学习数学」的书是一件很酷的事情。现在，我有大约 15 章关于预微积分、微积分、线性代数、统计学和概率论的笔记。但是，我最终得出结论，已经有太多其他数学书籍了，其中的大多数比我撰写的 500 页内容介绍得更好、更全面、更准确。毕竟，我认为学习和理解一门学科的真正动机首先来自于对它的兴趣。
因此，与其写这个「前传」，不如让我写一些基于我在《Python 机器学习》后续章节中介绍的概念的东西 —— 深度学习算法。在我们从头开始编写多层感知器（某种前馈人工神经网络）之后，我们简要了解了一些用于实现深度学习算法的 Python 库，并在概念层面上介绍了卷积神经网络和递归神经网络。
在本书中，我想从头开始实现深度神经网络和深度学习算法，整个过程中使用 Python、NumPy 和 SciPy。除了普通的 Python 堆栈之外，还将在 TensorFlow 中实现这些算法。感兴趣的读者，也可以关注下《人工神经网络和深度学习简介：Python 应用实用指南》这本书。
书籍地址：https://leanpub.com/ann-and-deeplearning
推荐阅读
全网最全速查表：Python 机器学习搭建完美的Python 机器学习开发环境 训练集，验证集，测试集，交叉验证AI 绘画，StableDiffusion本地部署
整理不易， 点 赞 三连 ↓
评论