Matematica per l'apprendimento profondo: Quello che bisogna sapere per capire le reti neurali

Recensioni dei lettori

Il libro si rivolge a chi è interessato alla scienza dei dati e all'apprendimento automatico, fornendo un'introduzione ben strutturata ai concetti matematici necessari. Sebbene coinvolga efficacemente i lettori e colleghi la matematica alle applicazioni dell'apprendimento automatico, alcuni recensori ritengono che manchi di profondità in alcune aree e che potrebbe beneficiare di esercizi pratici. Nel complesso, è considerato una buona risorsa per gli studenti motivati con una certa preparazione matematica pregressa.

⬤ Fornisce una chiara descrizione delle reti neurali e dei framework statistici.
⬤ Adatto a chi vuole entrare nel mondo della scienza dei dati, soprattutto con un background un po' tecnico.
⬤ Scrittura coinvolgente che collega i concetti matematici all'apprendimento automatico.
⬤ Buona formattazione per Kindle.
⬤ Copre la matematica da livello universitario ad alcuni livelli universitari nel contesto delle applicazioni Python.

⬤ Richiede un solido background matematico, il che potrebbe essere un ostacolo per alcuni lettori.
⬤ Manca una serie di esercizi pratici per applicare i concetti.
⬤ Alcuni recensori hanno trovato che la focalizzazione su argomenti irrilevanti, come il problema di Monty Hall, distolga l'attenzione dalle applicazioni pratiche del deep learning.
⬤ Descritto da alcuni come troppo superficiale per un serio avanzamento nel deep learning.

(basato su 7 recensioni dei lettori)

Titolo originale:

Math for Deep Learning: What You Need to Know to Understand Neural Networks

Contenuto del libro:

Math for Deep Learning fornisce la matematica essenziale di cui avete bisogno per comprendere le discussioni sull'apprendimento profondo, esplorare le implementazioni più complesse e utilizzare meglio gli strumenti di apprendimento profondo.

Con Math for Deep Learning imparerete la matematica essenziale utilizzata da e come sfondo per il deep learning.

Attraverso esempi in Python, apprenderete argomenti chiave relativi all'apprendimento profondo come probabilità, statistica, algebra lineare, calcolo differenziale e calcolo matriciale, nonché come implementare il flusso di dati in una rete neurale, la retropropagazione e la discesa del gradiente. Utilizzerete anche Python per lavorare sulla matematica che sta alla base di questi algoritmi e persino per costruire una rete neurale completamente funzionante.

Inoltre, troverete una trattazione della discesa del gradiente, comprese le varianti comunemente utilizzate dalla comunità del deep learning: SGD, Adam, RMSprop e Adagrad/Adadelta.