Linear Algebra and Optimization for Machine Learning

Denne læreboken gir en grundig introduksjon til lineær algebra og optimalisering i sammenheng med maskinlæring. Gjennom boken tilbys et bredt spekter av eksempler og øvelser, som gir studentene mulighet til å anvende det lærte i praksis. For lærere er det også tilgjengelig en løsningsmanual for øvelsene som finnes på slutten av hvert kapittel. Boken er primært rettet mot masterstudenter og professorer innen datavitenskap, matematikk og datavitenskap, men avanserte bachelorstudenter kan også dra nytte av innholdet. Kapitlene er strukturert på en pedagogisk måte: 1. Lineær algebra og dens anvendelser: Fokus på de grunnleggende prinsippene innen lineær algebra, kombinert med vanlige anvendelser som singularverdidekomposisjon, matrisefaktorisering, likhetsmatriser (kernelmetoder) og grafanalyse. Boken inneholder en rekke anvendelser innen maskinlæring, som spektralklustering, kernelbasert klassifisering og uteliggerdeteksjon. Den tette integrasjonen av metoder innen lineær algebra med konkrete eksempler fra maskinlæring skiller denne boken fra mer generelle tekster.