这本数学书AI圈都在转，资深ML研究员7年之作，免费电子版可看( 二 ) 羿阁发自凹非寺量子位|公众号

文章图片
3、线性代数
线性代数运算，可以说是最基本的数值计算。与矩阵运算、向量运算一样，它们几乎是当代计算机领域所有重量级运算的基石。因此，这一领域的研究非常深入。
首先，你需要了解一些线性代数的基础知识——向量化矩阵、克罗内克积、正定矩阵、弗罗贝尼乌斯矩阵范数等等。
其次，书中致力于培养对线性代数的直觉理解，这有助于我们更好地理解数学的本质、看懂复杂公式背后最简单的套路。

文章图片
4、局部优化
在数值计算过程中，如果建模不当会导致很多问题，这点在深度学习等领域格外明显。
本章重点关注非线性优化问题，以步长选取为例进行讲解。

文章图片
5、全局优化
本章介绍一个很有效的全局优化算法——贝叶斯优化，该方法可以不受限制地解决计算成本高、导数未知的问题，并且能够在尽可能少的步骤中找到全局最小值。

文章图片
6、常微分方程解法
在研究常微分方程的过程中，我们需要辩证看待常微分方程和偏微分方程的关系，并且需要适时将其进行转化。这样，我们才能灵活求解常微分方程。
本章主要从经典的ODE求解器、ODE滤波器和平滑器等方面进行讲解。

文章图片
7、前景
概率数值的未来是广阔的，该领域中的许多基础数学、工程和哲学问题仍有待解决。在本章中，我们将重点讨论一些可能至少影响学术界未来十年发展的开放性问题。

文章图片
8、练习&答案
除了上述的文字资料外，本书还提供了许多附带解决方案的练习题。

文章图片
三位作者都是谁？作者之一的MichaelA.Osborne昨天在推特上分享道“我们从2015年开始写这本关于机器学习的新计算基础的书，现在它像我的孩子一样长大了” 。

文章图片
MichaelA.Osborne ，牛津大学机器学习教授，也是MindFoundry有限公司的联合创始人。
Osborne专注于机器学习领域中的主动学习、贝叶斯优化和贝叶斯积分等方向，而且热衷于新兴的概率数值领域。

文章图片
PhilippHennig ，蒂宾根大学机器学习方法教授，同时也是MPII（马克斯·普朗克智能系统研究所）的兼职研究员， ELLIS(欧洲学习和智能系统实验室)学习机器理论、算法和计算研究项目的联合主任。
在他的职业生涯中，概率数值方法是主要的研究方向之一。 Hennig的研究得到了艾米·诺特(EmmyNoether)、马克斯·普朗克(MaxPlanck)和ERC奖学金的支持。

文章图片
【这本数学书AI圈都在转，资深ML研究员7年之作，免费电子版可看】HansP.Kersting ， INRIA（法国国家信息与自动化研究所）和ENS（巴黎高等师范学院）的博士后研究员，从事机器学习方面工作，主要研究方向是贝叶斯推理、动态系统优化等。