note.wcoder.com
wcoder GitHub
Home ../

Table of Contents

[TOC]

数学

高等数学

高等数学中两大入门课程：线性代数和微积分

  • 线性代数
    它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。

入门

托马斯微积分

《托马斯微积分》：直观易读，强调建模应用和技巧训练，重要的是不失数学上的完整性，工科使用应该相当不错。作者：芬尼 / 韦尔 / 焦尔当诺

普林斯顿微积分读本

《普林斯顿微积分读本》：没看过，据说评价很高。 作者：阿德里安·班纳

进阶

微积分和数学分析引论

《微积分和数学分析引论》 ：数学经典之一。作者: Richard Courant / Fritz John

数学分析原理

《数学分析原理》 ：分析学名著。作者：Walter Rudin

数学分析八讲

《数学分析八讲》：据说数理学科看着都有点困难。作者：辛钦

微积分学教程

《微积分学教程》（共三卷）：数学名著。作者：菲赫金哥尔茨

微积分入门

《微积分入门》（共两卷）：世界级数学大师的优秀教材。作者：小平邦彦

线性代数

  • 知识点

Linear Algebra
Linear Algebra Slides

The matrix cookbook - 线性代数索引 在线版

Old and New Matrix Algebra Useful for Statistics

Matrix calculus
The Matrix Calculus You Need For Deep Learning
在线计算矩阵微积分

  • 斯坦福大学机器学习复习材料(数学基础)

Linear Algebra Review and Reference - 2007年
Linear Algebra Review and Reference - 2015年
Linear Algebra Review and Reference - 2020年
翻译 - 2020年版本

Review of Probability Theory
Probability Theory Review for Machine Learning - 2006年
翻译

Convex Optimization Overview (cnt’d)
Convex Optimization Overview

Hidden Markov Models Fundamentals

Gaussian processes

其它内容：
http://cs229.stanford.edu/section/
http://cs229.stanford.edu/summer2020/
http://web.stanford.edu/class/cs224n/readings/

Math 290-1: Linear Algebra & Multivariable Calculus Northwestern University, Lecture Notes

入门

线性代数及其应用

《线性代数及其应用》 ：侧重于应用。作者：David C. Lay
MIT 教授 Gilbert Strang 的公开课 Linear Algebra，配合教材 《Introduction to Linear Algebra 》或《Linear Algebra and Its Applications》

《Introduction to Linear Algebra 》

台大线性代数

台大线性代数 PPT和视频

进阶

线性代数应该这样学

《线性代数应该这样学》 ：建立在普通线性代数基础上的，有泛函基础再看这本书会好些。作者：Sheldon Axler

矩阵分析

《矩阵分析》 ：赫赫有名的一本书。作者：（美）合恩（Horn/R.A.）等/杨奇

矩阵计算

《矩阵计算》 ：被称为数值线性代数圣经。作者：Gene H.Golub / Charles F.Van Loan

概率论与数理统计

概率论基础教程

《概率论基础教程》 ：入门级的好教材。作者：罗斯（Sheldon M. Ross）

概率论教程

《概率论教程》：看版本号就知道很经典。作者：钟开莱

概率论与数理统计

《概率论与数理统计》：用心写成的书，不光是教知识，更是教思维的方法。作者：陈希孺

数理统计学导论（原书第7版）

《数理统计学导论（原书第7版） 》 ：不太了解。作者：霍格

数理统计学教程

《数理统计学教程 》 ：堪称最好的中文数理统计教材，中国科学院院士的又一杰作。作者：陈希孺

俄罗斯数学教材选译系列

绿色封面

华章数学译丛

黄色封面

最优化方法

优化 = 数学规划
线性规划一定是凸规划

最优化：建模、算法与理论/最优化计算方法

凸优化

Stephen Boyd的Convex Optimization

非线性规划

Nonlinear Programming by Dimitri P. Bertsekas

高等代数

机器学习

数学基础

数学之美

《数学之美（第二版）》 - 吴军。

统计学习方法

《统计学习方法》 - 李航。可以说是机器学习的入门宝典，许多机器学习培训班、互联网企业的面试、笔试题目，很多都参考这本书。

《统计学习方法》第二版的代码实现

托马斯微积分

《托马斯微积分》学好多元微积分也能更好地理解神经网络模型的优化过程。

线性代数及其应用

《线性代数及其应用（原书第 5 版）》线性代数是理解矩阵运算的基础。数据挖掘算法里的非负矩阵分解、奇异值分解，以及神经网络里的矩阵运算，都需要一定的线性代数知识。

概率论与数理统计

《概率论与数理统计》概率论与数理统计是最为重要的一门数学课。目前使用最广泛的交叉熵损失函数，源于统计中的极大似然估计；概率论中的贝叶斯公式衍生出了贝叶斯学派；大数定律则是很多主观实验的理论依据之一。

算法|编程基础

图解机器学习

《图解机器学习》

集体智慧编程

《集体智慧编程》

入门

机器学习

《机器学习》 周志华的西瓜书
西瓜书）公式推导解析

机器学习原理
Foundations of Machine Learning-机器学习基础

The Elements of Statistical Learning - 统计学习基础

Machine Learning: a Probabilistic Perspective - 机器学习：概率视角（MLAPP）

  • Chapter 1: 引言 Introduction
  • Chapter 2: 概率 Probability
  • Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
  • Chapter 4: 高斯模型 Gaussian models
  • Chapter 5: 贝叶斯统计 Bayesian statistics
  • Chapter 6: 频率统计 Frequentist statistics
  • Chapter 7: 线性回归 Linear regression
  • Chapter 8: 逻辑回归 Logistic regression
  • Chapter 9: 广义线性模型和指数族 Generalized linear models and the exponential - family
  • Chapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
  • Chapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
  • Chapter 12: 隐式线性模型 Latent linear models
  • Chapter 13: 稀疏线性模型 Sparse linear models
  • Chapter 14: 核方法 Kernels
  • Chapter 15: 高斯过程 Gaussian processes
  • Chapter 16: 自适应基函数模型 Adaptive basis function model
  • Chapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
  • Chapter 18: 状态空间模型 State space models
  • Chapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random - fields)
  • Chapter 20: 图模型精准推断 Exact inference algorithms for graphical models
  • Chapter 21: 变分推断 Variational inference
  • Chapter 22: 更进变分推断 More variational inference
  • Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
  • Chapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
  • Chapter 25: 聚类 Clustering
  • Chapter 26: 图模型结构学习 Graphical model structure learning
  • Chapter 27: 因变量 Latent variable models for discrete data
  • Chapter 28: 深度学习 Deep learning

《机器学习:概率视角》第二版的Python 3代码
Probabilistic Machine Learning - by Kevin Patrick Murphy.

MACHINE LEARNING An Algorithmic Perspective - - 机器学习：算法视角

机器学习其它书籍：
https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/

推荐，符合scikit-learn
Mastering machine learning algorithms expert techniques for implementing popular machine learning algorithms, fine-tuning your models, and understanding how they work by Giuseppe Bonaccorso

Python 深度学习

《Python 深度学习》

动手学深度学习

《动手学深度学习》

Python 神经网络编程

《Python 神经网络编程》

神经网络与深度学习

《神经网络与深度学习》 邱锡鹏著

概率图模型

Probabilistic Graphical Models: Principles and Techniques

Graphical Models, Exponential Families, and Variational Inference

进阶

机器学习实战

《机器学习实战》

Pattern Recognition And Machine Learning（ 模式识别与机器学习）

《Pattern Recognition And Machine Learning》（ 模式识别与机器学习）

Statistical Learning Theory

《Statistical Learning Theory》

PDF

https://github.com/zhangbc/eBooks/tree/master/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%B1%BB

← Previous Next →
Less
More