
Linear Algebra and Optimization for Machine Learning: A Textbook
Kurzinformation



inkl. MwSt. Versandinformationen
Lieferzeit 1-3 Werktage
Lieferzeit 1-3 Werktage

Beschreibung
"Linear Algebra and Optimization for Machine Learning: A Textbook" von Charu C. Aggarwal bietet eine umfassende Einführung in die grundlegenden mathematischen Konzepte, die für das Verständnis und die Anwendung von maschinellem Lernen erforderlich sind. Das Buch deckt zwei wesentliche Bereiche ab: lineare Algebra und Optimierung. Im Abschnitt über lineare Algebra werden Themen wie Vektoren, Matrizen, Determinanten, Eigenwerte und Eigenvektoren behandelt. Diese Konzepte sind entscheidend für das Verständnis vieler Algorithmen im maschinellen Lernen. Der Teil über Optimierung konzentriert sich auf Techniken zur Minimierung oder Maximierung von Funktionen, was ein zentraler Aspekt bei der Modellanpassung und dem Training von Maschinenlernmodellen ist. Dazu gehören unter anderem Gradient Descent und konvexe Optimierung. Aggarwal legt besonderen Wert auf die praktische Anwendung dieser mathematischen Grundlagen im Kontext des maschinellen Lernens und illustriert dies durch zahlreiche Beispiele und Übungen. Das Buch richtet sich sowohl an Studierende als auch an Praktiker, die ihre Kenntnisse in diesen Schlüsselbereichen vertiefen möchten, um effektivere Maschinenlernmodelle zu entwickeln.
Produktdetails

So garantieren wir Dir zu jeder Zeit Premiumqualität.
Über den Autor
- Hardcover
- 648 Seiten
- Erschienen 2018
- Springer
- Hardcover
- 256 Seiten
- Erschienen 2022
- Wiley & Sons
- Hardcover
- 432 Seiten
- Erschienen 2023
- Wiley & Sons
- hardcover
- 384 Seiten
- Erschienen 2020
- Wiley
- hardcover
- 580 Seiten
- Erschienen 2014
- Taylor & Francis Ltd
- hardcover
- 407 Seiten
- Erschienen 1971
- Pearson
- hardcover
- 454 Seiten
- Erschienen 2004
- Springer
- Hardcover
- 344 Seiten
- Erschienen 1970
- De Gruyter
- Taschenbuch
- 400 Seiten
- Erschienen 1977
- Dover
- hardcover
- 341 Seiten
- Erschienen 1900
- De Gruyter
- Kartoniert
- 280 Seiten
- Erschienen 2019
- Springer Spektrum