Mathematik im maschinellen Lernen

Die grundlegenden mathematischen Disziplinen, die für das Verständnis des maschinellen Lernens erforderlich sind, sind lineare Algebra, analytische Geometrie, Vektoranalyse, Optimierung, Wahrscheinlichkeitstheorie und Statistik. Traditionell sind all diese Themen auf verschiedene Kurse verteilt, sodass es für Studierende der Data Science oder Computer Science sowie für Fachleute im maschinellen Lernen schwierig ist, ihr Wissen in ein einheitliches Konzept zu integrieren.

Dieses Buch ist selbstgenügsam: Der Leser wird mit den grundlegenden mathematischen Konzepten vertraut gemacht und geht dann zu den vier Hauptmethoden des maschinellen Lernens über: linearer Regression, Hauptkomponentenanalyse, Gaussian-Modellierung und Support Vector Methoden.

Für diejenigen, die gerade erst anfangen, Mathematik zu lernen, wird dieser Ansatz helfen, Intuition zu entwickeln und praktische Erfahrungen in der Anwendung mathematischer Kenntnisse zu sammeln,
während das Buch für Leser mit einem grundlegenden mathematischen Hintergrund einen Ausgangspunkt für eine fortgeschrittenere Auseinandersetzung mit dem maschinellen Lernen bietet.