000 | 01863cam a2200205 a 4500 | ||
---|---|---|---|
007 | ta | ||
008 | 170908s2020 us a ||f |||| 001 0 spa d | ||
020 | _a9781108455145 | ||
082 |
_a006.3 _bD325m _223 |
||
100 |
_aDeisenroth, Marc Peter. _94856 |
||
245 |
_aMathematics for Machine Learning / _b _cMarc Peter Deisenroth. |
||
260 |
_aCambridge ; New York, NY : _bCambridge University Press, _c2020. |
||
300 |
_aXVII, 371 p. : _bil., graf.; _c25 cm. |
||
504 | _6Incluye índice | ||
520 | _aLas herramientas matemáticas fundamentales necesarias para comprender el aprendizaje automático incluyen álgebra lineal, geometría analítica, descomposición de matrices, cálculo vectorial, optimización, probabilidad y estadística. Estos temas se enseñan tradicionalmente en cursos dispares, lo que dificulta que los estudiantes o profesionales de ciencias de la información o informática aprendan las matemáticas de manera eficiente. Este libro de texto autónomo cierra la brecha entre los textos matemáticos y de aprendizaje automático, introduciendo los conceptos matemáticos con un mínimo de requisitos previos. Utiliza estos conceptos para derivar cuatro métodos centrales de aprendizaje automático: regresión lineal, análisis de componentes principales, modelos de mezcla gaussiana y máquinas de vectores de soporte. Para los estudiantes y otras personas con formación matemática, estas derivaciones proporcionan un punto de partida para los textos de aprendizaje automático. Para aquellos que aprenden matemáticas por primera vez, los métodos ayudan a desarrollar la intuición y la experiencia práctica con la aplicación de conceptos matemáticos. | ||
650 | 0 |
_930884 _aAPRENDIZAJE AUTOMÁTICO. _xMATEMÁTICAS |
|
700 |
_aFaisal, Aldo A. _eAutor. _947747 |
||
700 |
_aSoon Ong, Cheng _eAutor. _947773 |
||
942 |
_2ddc _cBK |
||
999 |
_c23074 _d23074 |