Математика и архитектура глубокого обучения
Эта книга представляет собой глубокое погружение в математические основы, лежащие в основе современных архитектур глубокого обучения. Авторы последовательно раскрывают ключевые концепции, необходимые для понимания и создания эффективных моделей машинного обучения.
Читатель проходит путь от фундаментальных разделов математики — векторного исчисления, линейной алгебры и теории вероятностей — до их практического применения в построении и обучении нейронных сетей. Особое внимание уделяется байесовскому выводу как инструменту для работы с неопределенностью в данных и результатах.
Книга сочетает строгую теоретическую подготовку с практическими примерами на Python, демонстрируя, как математические принципы воплощаются в программном коде. Это делает её ценным ресурсом для специалистов по данным и ML-инженеров, стремящихся выйти за рамки использования готовых библиотек и понять внутренние механизмы работы алгоритмов.
Издание охватывает широкий спектр тем: от основ классификации и аппроксимации функций до деталей прямого и обратного распространения ошибки в нейронных сетях. Оно подходит как для углубления существующих знаний, так и для построения прочного фундамента с нуля.
