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