生成AIの数学的土台を195ページで一冊に、Tianhua Chenが導出重視の入門書を公開
The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer
PCAからVAE、拡散モデル、normalising flows、自己回帰分解、GAN、Wasserstein GAN、エネルギー-basedモデルまで、主要な生成モデル群をつなぐ一貫した道筋を導出重視で解説する195ページの入門書。最新アーキテクチャの網羅ではなく、モデルがどう導かれ互いに関係するかを理解するための数学的実質を保ちつつ、視覚的説明を随所に加えて構成を掴みやすくした。数学に好奇心を持つ研究者、実務家、学生向けの基礎固めの一冊。
目標は、生成モデリングの構造をより理解しやすくすることであり、これらのモデルがどのように導出され、関連し合うかを理解するために必要な数学的実質を削ぎ落とすことではない。
HNでの議論
48- nh23423fefe
気に入らない点：
> 座標変換。標準基底で表されたベクトル x が与えられたとき、
x_eig = V^−1 x
を適用して座標を変換する。
> この操作はベクトル自体を変えるものではなく、ベクトルの表現方法を変えるだけであり、固有ベクトル座標に変換するものである。
著者がベクトルと基底が与えられたときの座標ベクトルの違いを理解しているのは間違いない。ただ、この言い回しが気に入らないだけだ。関数を適用しても変化がないと言うのは奇妙だ。
- hasteg
機械学習／トランスフォーマーの背後にある数学を学ぶ（少なくともその仕組みを非常によく理解する）ために強くお勧めしたいもう一冊の本は、Anil Ananthaswamy 著「Why Machines Learn: The Elegant Math Behind Modern AI」です。昨年読んだのですが、ペース配分が絶妙で、今日の機械学習の礎となった最も重要な数学的概念と発見の「方法と理由」について直感を養うのに非常に優れていました。線形代数、統計学、多変数微積分について既にかなり深い理解がある人でなければ、この本ははるかに優しい入門書でありながら、何かを持ち帰れるだけの厳密さも備えています。
- p1esk
わあ、この本は驚くほど読みやすいですね！線形代数の基礎から始めているところがいいです。
- prideout
私のお気に入りの小さな本は François Fleuret の「The Little Book of Deep Learning」です。
- nblgbg
解くべき問題が載っているディープラーニングの本はありますか？