【荐书】机器学习需要的数学知识和基础书籍推荐

2017 年 8 月 6 日 新智元


20万,这是新智元今天达到的用户总数。在飞向智能宇宙的旅程中,感谢每一位和新智元同行的朋友。您的关注和支持是“新智元号”星舰永不枯竭的燃料。

 

20 万,每一位乘客对我们来说都弥足珍贵。我们希望加深对每一位乘客的了解,恳请您对这份问题不多、且不涉及任何隐私的调查问卷给出宝贵的反馈。


新智元正在举行评论赠书活动点击阅读原文投票,并留下你对新智元公众号的建议,赢取《深度学习》免费赠书。


1新智元专栏·荐书  

编辑:刘小芹


【新智元导读】我们在《机器学习里,数学究竟多重要?》一文中提供了机器学习所需的数学知识和建议,对于初学者来说,并不需要先掌握大量的数学知识再开始做机器学习。学习最基本的线性代数和数理统计,然后在掌握更多技术和算法的过程中继续学习数学是很好的方法。那么,本文带来值得推荐的数学基础书籍。



“机器学习/深度学习并不需要很多数学基础!”也许你在不同的地方听过不少类似这样的说法。对于鼓励数学基础不好的同学入坑机器学习来说,这句话是挺不错的。不过,机器学习理论是与统计学、概率论、计算机科学、算法等方面交叉的领域,对这些技术有一个全面的数学理解对理解算法的内部工作机制、获取好的结果是有必要的。机器学习确实需要对一些数学领域有深入理解,缺乏必要的数学知识,很可能在更深入的学习中不断遇到挫折,甚至导致放弃。


机器学习需要的数学主要包括:


  1. 线性代数

  2. 概率论与数理统计

  3. 多元微积分

  4. 算法和复杂性优化

  5. 其他


那么,了解机器学习这样一个跨学科领域,需要多高的数学水平?答案是多方面的,取决于个人水平和兴趣。至于在机器学习中各方面的数学知识的重要性,可以用下面的图表表示:


机器学习中各数学主题的重要性


上图中,“线性代数”和“概率论与数理统计”占比达到60%,可见它们既是必要、也是十分重要的数学知识。下面针对这两个领域,推荐一些广受好评的书籍。




《线性代数导论》

Introduction to Linear Algebra (5th Ed.) 


作者:Gilbert Strang



这本教材是Gilbert Strang教授在MIT讲授《线性代数》课程的指定教材(MIT OpenCourseWare提供公开课视频),也是被很多其他大学选用的经典教材。这本教材难度适中,讲解清晰,对许多核心概念的讨论也很透彻,在国内国外都广受好评。


Gilbert Strang 教授是美国享有盛誉的数学家,在有限元理论、变分法、小波分析及线性代数方面均有所建树。他对教育的贡献尤为卓著,包括所著有的七部经典数学教材和一部专著。 Strang 自1962年至今担任麻省理工大学教授,其所授课程《线性代数导论》、《计算科学与工程》均在 MIT开放课程软件(MIT OpenCourseWare)中收录,获得广泛好评。


虽然该书似乎仍没有正式的中文版出版(如果有了请告诉我们),不过可以对照视频讲解学习。学过的同学的建议是,一定要做课后习题。


线性代数及其应用

作者:David C. Lay



Lay 的《线性代数及其应用》同样是一本经典教材,中文版已出到第3版。除了讲解数学知识外,该书的特色是介绍一些有趣的应用,帮助学习者掌握线性代数基本概念和应用技巧,为后续课程的学习和工作实践奠定基础。


《统计学习方法》

作者:李航



李航老师的《统计学习方法》对于中国学习者来说也是非常熟悉的数学参考书。李航的研究方向包括信息检索、自然语言处理、统计机器学习及数据挖掘,这本书被用于部分高校文本数据挖掘、信息检索及自然语言处理等专业的教材。


《深度学习》(Deep Learning)

作者:Ian Goodfellow, Yoshua Bengio, Aaron Courville



这本“花书”的中文版发售没几天便要加印,被誉为深度学习“圣经”,可见其热门。三位作者都是深度学习领域的“大牛”,这本书也确实被公认写得很好,不少读者在中文版出版前勤勤恳恳地打印出开源译本来学习。


数学方面,《深度学习》的第2—4章非常详细地解释了深度学习中所需的线性代数、概率分布、数值计算等数学知识,值得认真研读。




深度学习2-4章目录


“荐书”是新智元的一个专题栏目,下回你想看到哪个领域的书籍推荐?你对这个栏目有什么建议?请留言告诉我们!




【号外】新智元正在进行新一轮招聘,飞往智能宇宙的最美飞船,还有N个座位

点击阅读原文可查看职位详情,期待你的加入~


登录查看更多
16

相关内容

在文明的传承中,书籍发挥的作用是空前的。 华夏文明,从甲骨文开始,一直被记录至今。不管是中国的儒家文化,还是西方的文艺复兴,书籍总是不可被替代的记录工具。
因此阅读成为一种传承和学习的途径。
阅读,是让自己安静下来的捷径。
【经典书】机器学习高斯过程,266页pdf
专知会员服务
195+阅读 · 2020年5月2日
干货书《数据科学数学系基础》2020最新版,266页pdf
专知会员服务
318+阅读 · 2020年3月23日
机器学习速查手册,135页pdf
专知会员服务
338+阅读 · 2020年3月15日
《深度学习》圣经花书的数学推导、原理与Python代码实现
【经典书】精通机器学习特征工程,中文版,178页pdf
专知会员服务
354+阅读 · 2020年2月15日
【资源】机器学习数学全书,1900页PDF下载
全球人工智能
152+阅读 · 2019年10月17日
那些值得推荐和收藏的线性代数学习资源
干货 | 机器学习怎么从入门到不放弃!
THU数据派
6+阅读 · 2018年6月8日
视频 | 计算机科学中的数学 01
遇见数学
15+阅读 · 2018年4月14日
如何用 3 个月零基础入门机器学习?
AI研习社
6+阅读 · 2017年9月27日
大学数学不好,或许是数学教材的锅?
算法与数学之美
15+阅读 · 2017年8月1日
【基础数学】- 01
遇见数学
19+阅读 · 2017年7月25日
Talking-Heads Attention
Arxiv
15+阅读 · 2020年3月5日
Arxiv
22+阅读 · 2019年11月24日
Arxiv
23+阅读 · 2018年10月1日
Arxiv
3+阅读 · 2018年3月28日
Arxiv
3+阅读 · 2018年3月27日
VIP会员
相关VIP内容
【经典书】机器学习高斯过程,266页pdf
专知会员服务
195+阅读 · 2020年5月2日
干货书《数据科学数学系基础》2020最新版,266页pdf
专知会员服务
318+阅读 · 2020年3月23日
机器学习速查手册,135页pdf
专知会员服务
338+阅读 · 2020年3月15日
《深度学习》圣经花书的数学推导、原理与Python代码实现
【经典书】精通机器学习特征工程,中文版,178页pdf
专知会员服务
354+阅读 · 2020年2月15日
相关资讯
【资源】机器学习数学全书,1900页PDF下载
全球人工智能
152+阅读 · 2019年10月17日
那些值得推荐和收藏的线性代数学习资源
干货 | 机器学习怎么从入门到不放弃!
THU数据派
6+阅读 · 2018年6月8日
视频 | 计算机科学中的数学 01
遇见数学
15+阅读 · 2018年4月14日
如何用 3 个月零基础入门机器学习?
AI研习社
6+阅读 · 2017年9月27日
大学数学不好,或许是数学教材的锅?
算法与数学之美
15+阅读 · 2017年8月1日
【基础数学】- 01
遇见数学
19+阅读 · 2017年7月25日
Top
微信扫码咨询专知VIP会员