Por que aprender a matemática por trás de algoritmos de ML se podemos facilmente usar as bibliotecas amplamente disponíveis para construir modelos?ML é sem dúvida uma das tecnologias mais em evidência em nossos dias! Se você está começando com ML e quer se tornar um Cientista de Dados você precisa entender a matemática por trás de algoritmos de ML. Não há como contornar isso. É uma parte intrínseca do papel de um Cientista de Dados e qualquer recrutador ou profissional experiente vai atestar isso. O entusiasta que está interessado em aprender mais sobre a magia por trás de algoritmos de ML atualmente enfrenta um conjunto assustador de pré-requisitos: Programação, Análise de Dados em larga escala, estruturas matemáticas associadas a modelos e o próprio conhecimento da aplicação em foco.Este livro não foi projetado para torná-lo um Matemático.Ele visa ajudá-lo a aprender alguns conceitos fundamentais e a notação usada para expressá-los. O livro fornece uma abordagem prática para trabalhar com dados e se concentra nos principais conceitos matemáticos que você encontrará em estudos de ML. Ele foi pensado para preencher as lacunas para os alunos que perderam esses conceitos-chave como parte de sua educação formal, ou que precisam se atualizar depois de uma longa pausa de estudar matemática.o livro é dividido em 4 partes:
Um apanhado dos conceitos básicos e do ecossistema de ML. (Capítulos 1 a 12)
Matemática básica usada em ML, incluindo Estatística, Probabilidades, Álgebra linear e Cálculo. (Capítulos 13 a 15)
Conceitos matemáticos mais avançados usados em ML, como Entropia, Análise de Componentes Principais e medição de distâncias. (Capítulos 16 a 26)
Finalmente a matemática inerente aos algoritmos de ML. (Capítulos 27a 31)
1 Introdução2 Ecossistema de ML3 Programação Tradicional e ML4 Pré-Cálculo e Notação5 Diagrama Básico do Aprendizado65 Iniciando com Python6 Quando usar e não usar ML7 Tipos de Aprendizado8 Como escolher algoritmos9 Como saber o desempenho do modelo10 Análise preliminar de um projeto de ML11 Estatística para ML12 Probabilidades para ML13 Álgebra Linear para ML14 Cálculo para ML15 Medição de distâncias16 Otimização17 Treinamento, Validação e Teste18 Cost Function19 Gradient Descent20 Bias e Variância21 Regularização22 Algoritmos paramétricos e não paramétricos23 Learning Curves24 Principal Components Analysis (SVD e PCA)25 Entropia e Ganho de Informação26 Algoritmos e suas métricas27 Aprendizado com Árvores de Decisão28 Support Vector Machines (SVM)29 Modelos Ensemble (Adaboost, Gradient Boost, XGBoost)30 Redes Neurais e Deep Learning
AMOSTRA GRÁTIS DO LIVRO PARA LER ONLINE
Que tal desfrutar de um trechinho do livro Conceitos de Matemática para Machine Learning: Estatística, Probabilidades, Álgebra linear e Cálculo para Machine Learning de forma totalmente gratuita e sem infringir os direitos autorais do autor ou da editora?
Disponibilizamos para download um trecho do livro para que você possa ter um gostinho do que encontrará na versão completa.
VERSÃO EM PDF
Leia a versão em PDF da Sinopse do livro Conceitos de Matemática para Machine Learning: Estatística, Probabilidades, Álgebra linear e Cálculo para Machine Learning de forma prática e simples, basta clicar agora mesmo no botão abaixo para ter um gostinho do conteúdo de forma completamente gratuita.
Pensou em um amigo que adoraria esse livro? Pode mandar o link para download sem preocupações, este documento é livre para compartilhamento.
A opinião de nossos leitores é muito importante para nós, se para você também é, clique no botão abaixo e descubra o que anda falando sobre o livro Conceitos de Matemática para Machine Learning: Estatística, Probabilidades, Álgebra linear e Cálculo para Machine Learning
Autor: Michel Janos
