Descripción
Este libro de texto presenta el álgebra lineal y la optimización en el contexto del aprendizaje automático. Se proporcionan ejemplos y ejercicios a lo largo del libro. Un manual de soluciones para los ejercicios al final de cada capítulo está disponible para los instructores. Este libro de texto está dirigido a estudiantes de posgrado y profesores de informática, matemáticas y ciencia de datos. Los estudiantes universitarios avanzados también pueden usar este libro de texto. Los capítulos de este libro de texto están organizados de la siguiente manera:
1. Álgebra lineal y sus aplicaciones: Los capítulos se centran en los fundamentos del álgebra lineal junto con sus aplicaciones comunes a la descomposición de valores singulares, la factorización de matrices, las matrices de similitud (métodos de kernel) y el análisis de grafos. Se han utilizado numerosas aplicaciones de aprendizaje automático como ejemplos, como la agrupación espectral, la clasificación basada en kernel y la detección de valores atípicos. La estrecha integración de los métodos de álgebra lineal con ejemplos de aprendizaje automático diferencia este libro de los volúmenes genéricos sobre álgebra lineal. El enfoque está claramente en los aspectos más relevantes del álgebra lineal para el aprendizaje automático y en enseñar a los lectores cómo aplicar estos conceptos.
2. Optimización y sus aplicaciones: Gran parte del aprendizaje automático se plantea como un problema de optimización en el que intentamos maximizar la precisión de los modelos de regresión y clasificación. El "problema padre" del aprendizaje automático centrado en la optimización es la regresión por mínimos cuadrados. Curiosamente, este problema surge tanto en el álgebra lineal como en la optimización, y es uno de los problemas de conexión clave de los dos campos. La regresión por mínimos cuadrados es también el punto de partida para las máquinas de vectores de soporte, la regresión logística y los sistemas de recomendación. Además, los métodos de reducción de dimensionalidad y factorización de matrices también requieren el desarrollo de métodos de optimización. Se discute una visión general de la optimización en grafos computacionales junto con sus aplicaciones a la retropropagación en redes neuronales.
Un desafío frecuente al que se enfrentan los principiantes en el aprendizaje automático es la extensa base requerida en álgebra lineal y optimización. Un problema es que los cursos de álgebra lineal y optimización existentes no son específicos para el aprendizaje automático; por lo tanto, uno tendría que completar más material del curso del necesario para iniciarse en el aprendizaje automático. Además, ciertos tipos de ideas y trucos de optimización y álgebra lineal recurren con más frecuencia en el aprendizaje automático que en otros entornos centrados en aplicaciones. Por lo tanto, hay un valor significativo en desarrollar una visión del álgebra lineal y la optimización que se adapte mejor a la perspectiva específica del aprendizaje automático.
Autor: Charu C. Aggarwal
Editorial: Springer
Publicado: 13/05/2021
Páginas: 495
Tipo de encuadernación: Tapa blanda
Peso: 1.97 libras
Tamaño: 10.00h x 7.00w x 1.05d
ISBN13: 9783030403461
ISBN10: 3030403467
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Matemáticas | Álgebra | Lineal
Sobre el autor
Charu C. Aggarwal es miembro distinguido del personal de investigación (DRSM) en el IBM T. J. Watson Research Center en Yorktown Heights, Nueva York. Completó su licenciatura en Ciencias de la Computación en el Indian Institute of Technology en Kanpur en 1993 y su doctorado en Investigación de Operaciones en el Massachusetts Institute of Technology en 1996. Ha publicado más de 400 artículos en conferencias y revistas arbitradas y ha solicitado o se le han concedido más de 80 patentes. Es autor o editor de 19 libros, incluidos libros de texto sobre minería de datos, redes neuronales, aprendizaje automático (para texto), sistemas de recomendación y análisis de valores atípicos. Debido al valor comercial de sus patentes, ha sido designado Maestro Inventor en IBM en tres ocasiones. Ha recibido varios premios internos y externos, incluidos el EDBT Test-of-Time Award (2014), el IEEE ICDM Research Contributions Award (2015) y el ACM SIGKDD Innovation Award (2019). Se desempeñó como editor en jefe de ACM SIGKDD Explorations, y actualmente se desempeña como editor en jefe de ACM Transactions on Knowledge Discovery from Data. Es miembro de SIAM, ACM e IEEE, por "contribuciones al descubrimiento de conocimiento y algoritmos de minería de datos".