Uczenie maszynowe. Elementy matematyki w analizie danych Kielce

Na styku matematyki i informatyki Uczenie maszynowe (ML) i sztuczna inteligencja (AI). Obok komputerów kwantowych to dwa główne, gorące tematy we współczesnej informatyce. Oba nieco tajemnicze, futurystyczne i przede wszystkim wymagające posiadania dość sporej wiedzy i umiejętności matematycznych. Stąd podręczniki akademickie poświęcone sztucznej inteligencji i uczeniu maszynowemu zwykle są grube, ciężkie i naszpikowane detalami. Niesprzyjające szybkiej nauce i w rzeczywistości wcale nie takie… podręczne. Inaczej jest z tą niewielkich rozmiarów książką. Jej autor przedstawia tematy związane z AI i ML z naciskiem na matematykę, tłumaczy jednak wszystko krok po kroku ... tak by czytelnikom było łatwiej je zrozumieć. Zagadnienia matematyczne są tu objaśniane o tyle, o ile jest to konieczne dla opanowania konkretnych treści z zakresu uczenia maszynowego. Znajdziesz tu omówienie takich kluczowych zagadnień jak: Wnioskowanie bayesowskie Modele liniowe Zmienne informatywne i entropia informacji Ocena wpływu cech na model Detekcja anomalii Ocena modelu Spis treści: Od autora ROZDZIAŁ 1. Liniowe zależności danych Kowariancja Współczynnik korelacji Regresja liniowa Co dalej? Bibliografia ROZDZIAŁ 2. Wnioskowanie bayesowskie Twierdzenie Bayesa Naiwny klasyfikator bayesowski Co dalej? Bibliografia ROZDZIAŁ 3. Czynniki wpływające na wyniki modelu Propensity score matching Shapley value Co dalej? Bibliografia ROZDZIAŁ 4. Detekcja anomalii Detekcja anomalii za pomocą z-score Detekcja anomalii za pomocą algorytmów klastrujących Algorytm Isolation Forest Co dalej? Bibliografia ROZDZIAŁ 5. Ewaluacja modeli Ewaluacja modeli klasyfikacji Ewaluacja modeli regresji Co dalej? Bibliografia Zakończenie