Kalkulus untuk Machine Learning: Asas dan Pengoptimuman

Model machine learning moden bergantung pada kalkulus untuk melaraskan parameter, meminimumkan ralat, dan mengoptimumkan prestasi. Tanpa asas matematik yang kukuh, memahami cara algoritma belajar daripada data boleh terasa sukar. Kursus berasaskan teks ini menguraikan prinsip kalkulus penting kepada modul bacaan yang mudah difahami dan praktikal. Anda akan membina pemahaman konseptual yang jelas tentang kadar perubahan, pengoptimuman, dan matematik pelbagai pemboleh ubah, sekali gus menyediakan anda untuk mentafsir lanskap kerugian (loss landscapes) dan mekanik latihan dengan yakin. Apa yang akan anda pelajari: - Memahami definisi matematik asas, fungsi linear, dan tingkah laku bukan linear - Menghitung had dan terbitan pemboleh ubah tunggal menggunakan kaedah analitik langkah demi langkah dan SymPy dalam Python - Menguasai terbitan separa dan petua rantai pelbagai pemboleh ubah untuk menilai persamaan kompleks - Mengaplikasikan pengiraan kecerunan dan algoritma kecerunan penurunan (gradient descent) untuk meminimumkan fungsi kerugian (loss functions) - Meneroka konsep pengiraan moden termasuk asas pembezaan automatik yang digunakan dalam rangkaian neural Kursus ini bermula dengan terminologi asas dan konsep algebra teras sebelum maju secara berperingkat ke dalam terbitan, teknik pengoptimuman, dan latihan matematik gunaan. Direka untuk bakal saintis data dan pemula machine learning, tiada pengalaman kalkulus lanjutan terdahulu diperlukan. Mula membaca hari ini untuk memahami matematik yang memacu sistem pintar moden.