Cambridge University Press Mathematics for Machine Learning

Nachdem ich vor 25 Jahren Informatik studiert habe und dort bereits "Neuronale Netze" (feed-forward back-propagation) kennengelernt hatte, wollte ich, motiviert durch den Hype der aktuellen AI (insbesondere machine learning sowie deep learning) mehr darüber lesen. Daher zunächst das "Standardwerk" (Titel "Deep Learning") gekauft. Die dort enthaltene Mathematik ist, meines Erachtens, so stark ver-klausuliert und auch von der Notation her schwer zu lesen, dass ich dieses Buch hier "Mathematics for Machine Learning" gekauft habe: Ich muss sagen/schreiben: Das ist die BESTE Darstellung der verschiedenen mathematischen Themenbereiche (Vektoren, Matrizen, Lineare Algebra, Wahrscheinlichkeitsrechnung, u.s.w.), die ich als Praktiker der Informatik je gesehen habe. Sehr gut verständlich (mit dem math. Grundwissen eines Informatikers), sehr tolle praxis-bezogene Beispiele zu den mathematischen Verfahren. Darüber hinaus in einem hervorragenden Englisch geschrieben, das wirklich Freude macht, es zu lesen. Ich denke, dass jeder, der sich intensiv mit Machine Learning auseinandersetzen möchte, hier sowohl ein Lehrwerk als auch ein Nachschlagewerk erhält. Übungen mit Lösungen (auf github) runden dieses Buch ab. Ich bin begeistert!!!

Buen libro !

Le basi matematiche di questo libro non sono da super specialisti. Ma anche per chi è un ricercatore, questo libro offre un approccio diverso su molti temi standard, facendoti guardare a cose che conosci bene da un punto di vista inaspettato

Les bases mathématiques et analyse numériques de niveau Master1 (Bac+4). Agréable à avoir en format papier. + accès au site web pour suivre les quelques coquilles. Simple regret : impossible d'accéder aux corrections des nombreux exercices sans être un enseignant dans une faculté.

This is a very structured approach to gain a strong grasp of the mathematical fundamentals required for machine learning. If you pair this up with "Understanding Machile Learning: From Theory to Algorithms" by Shai Ben-David and Shai Shalev Shwartz, then that's a clear winner combo for ML theory.