Descripción
Cree una base sólida en las matemáticas centrales detrás de los algoritmos de aprendizaje automático con esta guía completa de álgebra lineal, cálculo y probabilidad, explicada a través de ejemplos prácticos de Python
La compra del libro impreso o Kindle incluye un libro electrónico en PDF gratuito
Características clave:
- Domina el álgebra lineal, el cálculo y la teoría de la probabilidad para ML
- Cierre la brecha entre la teoría y las aplicaciones del mundo real
- Aprenda implementaciones de Python de conceptos matemáticos centrales
Descripción del libro:
Mathematics of Machine Learning ofrece una introducción rigurosa pero accesible a los fundamentos matemáticos del aprendizaje automático, diseñada para ingenieros, desarrolladores y científicos de datos listos para elevar su experiencia técnica. Con este libro, explorará las disciplinas centrales de álgebra lineal, cálculo y teoría de la probabilidad, esenciales para dominar conceptos avanzados de aprendizaje automático.
El matemático con doctorado convertido en ingeniero de ML, Tivadar Danka, conocido por su estilo de enseñanza intuitivo que ha atraído a más de 100.000 seguidores, lo guía a través de conceptos complejos con claridad, brindándole la guía estructurada que necesita para profundizar su conocimiento teórico y mejorar su capacidad para resolver problemas complejos de aprendizaje automático. Equilibrando la teoría con la aplicación, este libro ofrece explicaciones claras de construcciones matemáticas y su relevancia directa para las tareas de aprendizaje automático. A través de ejemplos prácticos de Python, aprenderá a implementar y usar estas ideas en escenarios del mundo real, como entrenar modelos de aprendizaje automático con descenso de gradiente o trabajar con vectores, matrices y tensores.
Al final de este libro, habrá ganado la confianza para abordar literatura avanzada sobre aprendizaje automático y adaptar algoritmos para cumplir con los requisitos específicos del proyecto.
Lo que aprenderá:
- Comprender los conceptos centrales del álgebra lineal, incluidas matrices, valores propios y descomposiciones
- Comprender los principios fundamentales del cálculo, incluida la diferenciación y la integración
- Explorar temas avanzados en cálculo multivariable para optimización en altas dimensiones
- Dominar conceptos esenciales de probabilidad como distribuciones, teorema de Bayes y entropía
- Dar vida a las ideas matemáticas a través de implementaciones basadas en Python
Para quién es este libro:
Este libro es para aspirantes a ingenieros de aprendizaje automático, científicos de datos, desarrolladores de software e investigadores que desean obtener una comprensión más profunda de las matemáticas que impulsan el aprendizaje automático. Se recomienda una comprensión fundamental de álgebra y Python, y familiaridad básica con las herramientas de aprendizaje automático.
Tabla de contenido
- Vectores y espacios vectoriales
- La estructura geométrica de los espacios vectoriales
- Álgebra lineal en espacios de práctica: medición de distancias
- Transformaciones lineales
- Matrices y ecuaciones
- Valores propios y vectores propios
- Factorizaciones de matrices
- Matrices y grafos
- Funciones
- Números, secuencias y series
- Topología, límites y continuidad
- Diferenciación
- Optimización
- Integración
- Funciones multivariables
- Derivadas y gradientes
- Optimización en múltiples variables
- ¿Qué es la probabilidad?
- Variables aleatorias y distribuciones
- El valor esperado
- La estimación de máxima verosimilitud
- Es solo lógica
- La estructura de las matemáticas
- Conceptos básicos de la teoría de conjuntos
- Números complejos
Autor: Tivadar Danka
Editorial: Packt Publishing
Publicado: 30/05/2025
Páginas: 730
Tipo de encuadernación: Tapa blanda
Peso: 2.72lbs
Tamaño: 9.25h x 7.50w x 1.46d
ISBN13: 9781837027873
ISBN10: 1837027870
Categorías BISAC:
- Matemáticas | Estudio y Enseñanza
- Matemáticas | Análisis Matemático
- Matemáticas | Análisis Numérico
Este título no es retornable