Das 2019 erschienene Buch “Linear Algebra and Learning from Data” bietet einen umfassenden und gründlichen Überblick über die für das Verständnis moderner Machine Learning Techniken nötigen Mathematik Kenntnisse. Wie der Titel schon andeutet liegt der Schwerpunkt dabei auf dem Teilgebiet der Linearen Algebra. Ergänzt wird das Inhaltsverzeichnis um jeweils einen Abschnitt zur Statistik und Wahrscheinlichkeitstheorie, und zu Optimierungsverfahren.
Der Lineare Algebra Teil bietet einen tiefen Einblick in das Gebiet, der vor allem einen Schwerpunkt auf visuelle Vorstellungen und ein Verständnis der Grundkonzepte legt, und weniger auf formale Definitionen und Berechnungsverfahren.
Der Statistik Abschnitt bringt die wesentlichen Grundbegriffe Mittelwert und Varianz, samt der wichtigsten Ungleichungen für Abschätzungen der Abweichungen vom Mittelwert, und stellt mit Kovarianz-Matrizen eine Verbindung zur Linearen Algebra her.
Das in praktischen Anwendungen des Machine Learning dominierende Gradienten-Verfahren steht im Zentrum des Abschnitts zu Optimierung. Dazu werden die benötigten Kenntnisse über partielle Ableitungen und Konvexität vermittelt.
Vom selben Autor habe Ich in in einem früheren Beitrag auf ein älteres Lehrbuch zu Linearer Algebra hin gewiesen. So wie das ältere Buch, ist auch dieses aus einer Vorlesung am MIT entstanden. Die Vorlesung ist als Open Courseware frei verfügbar und kann über Youtube konsumiert werden. In 36 ca. 50 Minuten langen Videos:
