Cantitate/Preț
Produs
Total produse
Vezi coșul
Fundamental Mathematical Concepts for Machine Learning in Science de Umberto Michelucci

Fundamental Mathematical Concepts for Machine Learning in Science

Autor Umberto Michelucci
en Limba Engleză Hardback – 17 mai 2024

Găsim în această carte, încă de la primele capitole, o orientare clară către rezolvarea problemelor de integritate a datelor și validare a modelelor, elemente adesea ignorate în manualele tehnice de programare. Reținem că Fundamental Mathematical Concepts for Machine Learning in Science nu este doar un inventar de algoritmi, ci un ghid de bune practici pentru cercetătorii din fizică, medicină sau biologie care doresc să evite erorile fundamentale în antrenarea rețelelor neuronale. Suntem de părere că accentul pus pe teoria eșantionării și pe reglarea hiperparametrilor (hyperparameter tuning) oferă cititorului rigoarea necesară pentru a construi modele predictibile și reproductibile. Structura volumului urmează o progresie logică, pornind de la Analiza Matematică și Optimizare, trecând prin Algebră Liniară și ajungând la Statistică și Probabilități. Această ierarhie reflectă viziunea autorului Umberto Michelucci, care a explorat anterior aplicabilitatea practică în Applied Deep Learning with TensorFlow 2 și rigoarea statistică în Statistics for Scientists. Dacă în lucrările precedente accentul cădea pe implementarea software, volumul de față consolidează baza teoretică, explicând de ce anumite metode funcționează și cum pot fi ele adaptate pentru date experimentale complexe. Comparativ cu Mathematical Foundations of Data Science de Tomas Hrycej, care caută un echilibru între complexitate și simplificare pentru informaticieni, lucrarea de față adoptă o abordare mai orientată către omul de știință practician. Deși acoperă aceeași arie tematică, Fundamental Mathematical Concepts for Machine Learning in Science se distinge prin tratarea detaliată a seturilor de date dezechilibrate și a importanței caracteristicilor (feature importance), oferind instrumente matematice direct aplicabile în laboratorul de cercetare.

Citește tot Restrânge

Preț: 52172 lei

Preț vechi: 61380 lei
-15%

Puncte Express: 783

Carte disponibilă

Livrare economică 17 noiembrie-01 decembrie

Livrare prin curier în România Termenul estimat este afișat lângă disponibilitate.
Transport gratuit pentru acest produs Plată online sau ramburs, în funcție de opțiunile comenzii.
Retur gratuit în 14 zile Comandă securizată și suport în română.
 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9783031564307
ISBN-10: 3031564308
Pagini: 268
Ilustrații: XVII, 249 p.
Dimensiuni: 160 x 241 x 21 mm
Greutate: 0.52 kg
Ediția:2024
Editura: Springer
Locul publicării:Cham, Switzerland

De ce să citești această carte

Această carte se adresează cercetătorilor care vor să treacă de la simpla utilizare a unor biblioteci software la înțelegerea mecanismelor matematice din spatele învățării automate. Cititorul câștigă capacitatea de a valida riguros modelele și de a gestiona corect seturile de date experimentale. Este o resursă esențială pentru a evita erorile de logică matematică ce pot compromite rezultatele unei întregi cercetări științifice.

Despre autor

Umberto Michelucci este un expert recunoscut în aplicarea algoritmilor de învățare automată în context științific, având o experiență vastă în publicarea de manuale tehnice la editura Springer. Cu un portofoliu ce include titluri precum Advanced Applied Deep Learning și Statistics for Scientists, Michelucci s-a specializat în traducerea conceptelor matematice abstracte în soluții practice pentru cercetători. Expertiza sa acoperă atât fundamentul teoretic al rețelelor neuronale, cât și utilizarea framework-urilor moderne precum TensorFlow, fiind un punct de referință pentru integrarea inteligenței artificiale în disciplinele STEM.

Cuprins

1. Introduction.- 2. Calculus and Optimisation for Machine Learning.- 3. Linear Algebra.- 4. Statistics and Probability for Machine Learning.- 5. Sampling Theory (a.k.a. Creating a Dataset Properly).- 6. Model Validation.- 7. Unbalanced Datasets.- 8. Hyperparameter Tuning.- 9. Model Agnostic Feature Importance.

Notă biografică

Umberto Michelucci has a PhD in Machine Learning and Physics from the University of Portsmouth. He is the cofounder and Chief AI scientist of TOELT LLC, a company aiming to develop new and modern teaching, coaching, and research methods for AI to make AI technologies and research accessible to every company and everyone. He’s an expert in numerical simulation, statistics, data science, and machine learning. In addition to several years of research experience at the George Washington University (USA) and the University of Augsburg (DE), he has 15 years of practical experience in the fields of data warehouse, data science, and machine learning. His first book, Applied Deep Learning—A Case-Based Approach to Understanding Deep Neural Networks, was published by Apress in 2018. He followed with Convolutional and Recurrent Neural Networks Theory and Applications in 2019. He’s very active in research in the field of artificial intelligence. He publishes his research results regularly in leading journals and gives regular talks at international conferences. Umberto studied physics and mathematics. Sharing is caring—for that, he is a lecturer at the ZHAW University of Applied Sciences for deep learning and neural networks theory and applications. He’s also responsible at Helsana Versicherung AG for research and collaborations with universities in the area of AI. He is also a Google Developer Expert in Machine Learning based in Switzerland.

Textul de pe ultima copertă

This book is for individuals with a scientific background who aspire to apply machine learning within various natural science disciplines—such as physics, chemistry, biology, medicine, psychology and many more. It elucidates core mathematical concepts in an accessible and straightforward manner, maintaining rigorous mathematical integrity. For readers more versed in mathematics, the book includes advanced sections that are not prerequisites for the initial reading. It ensures concepts are clearly defined and theorems are proven where it's pertinent. Machine learning transcends the mere implementation and training of algorithms; it encompasses the broader challenges of constructing robust datasets, model validation, addressing imbalanced datasets, and fine-tuning hyperparameters. These topics are thoroughly examined within the text, along with the theoretical foundations underlying these methods. Rather than concentrating on particular algorithms this book focuses on the comprehensive concepts and theories essential for their application. It stands as an indispensable resource for any scientist keen on integrating machine learning effectively into their research.
Numerous texts delve into the technical execution of machine learning algorithms, often overlooking the foundational concepts vital for fully grasping these methods. This leads to a gap in using these algorithms effectively across diverse disciplines. For instance, a firm grasp of calculus is imperative to comprehend the training processes of algorithms and neural networks, while linear algebra is essential for the application and efficient training of various algorithms, including neural networks. Absent a solid mathematical base, machine learning applications may be, at best, cursory, or at worst, fundamentally flawed. This book lays the foundation for a comprehensive understanding of machine learning algorithms and approaches.
 

Caracteristici

Clearly explains the mathematical underpinnings essential for a robust understanding of machine learning algorithms Coverage is tailored to students and researchers in all natural science areas, in addition to computer scientists Accessible yet rigorous mathematical approach supplemented with website https://fmcmls-book.org/ and instructor manual