Mathematische Grundlagen für Machine Learning – Literatur

48 sec read

Mathematik und insbesondere das Teilgebiet der linearen Algebra sind eine wesentliche Basis für die Implementierung und das Verständnis von Machine Learning Verfahren. Für viele war die Mathematik nicht gerade das Lieblingsfach in der Schule oder der Universität, so dass häufig nicht viel “hängen geblieben” ist. Benötigt man die Kenntnisse nun aber für ein Projekt, dann ist es nötig das Wissen etwas auf zu frischen.  Vektor und Matrizen Operationen bilden das Rückgrad vieler Verfahren.

Es erscheinen nun zunehmend Buch-Titel und Kurse, die speziell für diese Zielgruppe gut gemacht sind. Ein gutes Lehrbuch dazu ist “Introduction to Linear Algebra” von Gilbert Strang, das aus seinem Unterricht am MIT entstanden ist, und in der fünften Auflage erschienen ist.

Inhaltsverzeichnis:

  • Kapitel 1: Introduction to Vectors
  • Kapitel 2: Solving Linear Equations
  • Kapitel 3: Vector Spaces and Subspaces
  • Kapitel 4: Orthogonality
  • Kapitel 5: Determinants
  • Kapitel 6: Eigenvalues and Eigenvectors
  • Kapitel 7: The Singular Value Decomposition (SVD)
  • Kapitel 8: Linear Transformations
  • Kapitel 9: Complex Vectors and Matrices
  • Kapitel 10: Applications
  • Kapitel 11: Numerical Linear Algebra
  • Kapitel 12: Linear Algebra in Probability & Statistics

Aber nicht nur Lehrbücher sondern auch speziell für die Zielgruppe gemachte Kurse eignen ich gut zur Wissensaneignung. So bietet zum Beispiel die Online Kurs-Plattform “Coursera” (www.coursera.org) eine Gruppe von Kursen an ” Mathematics for Machine Learning Specialization”:
https://www.coursera.org/specializations/mathematics-machine-learning.