Mathematik für maschinelles Lernen

Einige der wichtigsten Themen, die beim maschinellen Lernen benötigt werden, beziehen sich auf Einzelvariablen Infinitesimalrechnung, lineare Algebra, multivariable Analysis, multivariable Optimierung, Wahrscheinlichkeit und Statistik und analytische Geometrie.

Lineare Algebra für maschinelles Lernen

• Übungen und Probleme zur linearen Algebra mit Lösungen einschließlich Videos.
• Khan Academy: Lineare Algebra einschließlich Videos.
• Professor Gilbert Strang – MIT: Mit Open Course: Linear Algebra einschließlich Vorlesungsskripte, Videos und vergangene Prüfungen mit Lösungen.
• David Cherney, Tom Denton, Rohit Thomas und Andrew Waldron – UCDAVIS: Lineare Algebra.

• Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong: Mathematik für maschinelles Lernen.
• Professor Philippe Rigollet – MIT: Mathematik des maschinellen Lernens.

Einzel- und Multivariablenrechnung

• Prof. David Jerison – MIT: Mit Open Course: Single Variable Calculus inklusive Videos, Vorlesungsskripten und vergangenen Prüfungen mit Lösungen.
• Prof. Denis Auroux – MIT: Mit Open Course: Multivariable Analysis inklusive Videos, Vorlesungsskripten und vergangenen Prüfungen mit Lösungen.

Statistiken

• Professor Joseph Blitzstein – Harvard: Statistik 110: Wahrscheinlichkeit einschließlich Videos und Notizen
• Philip B. Stark – University of California, Berkeley: Statistiken einschließlich interaktiver Tools, die in den Materialien enthalten sind um Schülern bei der Analyse realer Datensätze zu helfen.
• Jeremy Orloff, Jonathan Bloom – MIT: Einführung in Wahrscheinlichkeit und Statistik

Maschinelles Lernen

• Professor Yaser Abu-Mostafa – Caltech: Lernen aus Daten