Matematyka w uczeniu maszynowym

Fundamentalne dyscypliny matematyczne, niezbędne do zrozumienia uczenia maszynowego, to algebra liniowa, geometria analityczna, analiza wektorowa, optymalizacja, teoria prawdopodobieństwa i statystyka. Tradycyjnie wszystkie te tematy są rozproszone w różnych kursach, dlatego studentom, którzy studiują data science lub computer science, a także zawodowcom w MO, trudno jest zbudować wiedzę w jedną spójną koncepcję.

Książka ta jest samowystarczalna: czytelnik poznaje podstawowe koncepcje matematyczne, a następnie przechodzi do czterech głównych metod MO: regresji liniowej, metody głównych składowych, modelowania gaussowskiego i metody wektorów nośnych.

Osobom, które dopiero zaczynają uczyć się matematyki, takie podejście pomoże rozwinąć intuicję i zdobyć praktyczne doświadczenie w stosowaniu wiedzy matematycznej,
a dla czytelników z podstawowym wykształceniem matematycznym książka będzie punktem wyjścia do bardziej zaawansowanego zapoznania się z uczeniem maszynowym.