Strojno učenje obljublja izjemne izume: od avtomobilov brez voznika do medicinskih sistemov, ki diagnosticirajo bolezni bolje kot izkušeni zdravniki, odpira pa tudi vrata številnim drugim, bolj ali manj motečim inovacijam. Čeprav so danes na voljo priročni ogrodji za gradnjo sistemov strojnega učenja, resnično razumevanje globokega učenja zahteva poznavanje več matematičnih konceptov.

Ti koncepti so v tej knjigi pojasnjeni na dostopen način. Raziskali boste predvsem praktične vidike verjetnosti, statistike, linearne algebre in računa. Te teme so predstavljene z delčki kode Python in praktičnimi primeri aplikacij globokega učenja. Začeli boste z raziskovanjem osnov, kot je Bayesov izrek, nato pa boste prešli na naprednejše teme, vključno z učenjem nevronskih mrež z uporabo vektorjev, matrik in odvodov. Zadnji dve poglavji vam bosta dali priložnost, da uporabite svoje novo znanje za implementacijo povratnega širjenja in gradientnega spusta – dveh temeljnih algoritmov, ki spodbujata razvoj umetne inteligence.

V tej knjigi so med drugim obravnavane naslednje teme:

uporaba statistike za razumevanje podatkov in vrednotenje modelov

pravilna uporaba verjetnostnih pravil

uporaba vektorjev in matrik za prenos podatkov v nevronskih mrežah

linearna algebra v analizi glavnih komponent in dekompoziciji singularnih vrednosti

metode gradientne optimizacije, kot so RMSprop, Adagrad in Adadelta

Želite razumeti nevronske mreže? Poiščite odgovor v matematiki!