Эндрю Траск

Работаю с нейросетками довольно давно, причем без ML либ. Разработка C++/C#, классы MLP, RNN, LSTM, CNN, NEAT и подобные Подарили книгу (покупал не знающий человек, зная что я читал когда-то книги этой серии[стоят на полке]) Всегда брал информацию в первоисточниках в виде научных работ/статей/журналов. Решил интереса ради в поездках прочесть книгу. NumPy без всяких ML либ выбран правильно, так как нужно понимать что происходит внутри. Автор даёт достаточно много полезной информации, которую я получал после набивания кучи шишек и осознание некоторых моментов в работе заняло не один месяц. А тут оно есть (базово, но есть) Backprop объясняется достаточно лаконично, по крайней мере гораздо лучше, чем во многих откопирайченных источниках русскоязычных, которые слепо копируют инфу друг у друга с наглухо зашитыми в математику сигмоидами (кто поймет тот поймет) Картинки есть, их много. Когда информативные, когда нет. Чаще все таки информативные) Но есть одно большое НО! В примерах КУЧА опечаток. Автор говорит одно, а написано другое. Пример - возьмём 10 и умножим на 2. А в примере написано 1*2. Это очень плохо. Вы напишете код примера, запустите, он выдаст результат по заданным данным. Бац - цифры в книге другие. И вы не будете знать это вы ошиблись или в книге опечатка! Я не проверял код на корректность, так как мне это не было интересно, но некоторые места пересчитывал с калькулятором, когда явно видел расхождение в цифрах. Книга пойдет начинающим, но не совсем "нулевым" ребятам. Надо чтобы вы знали векторные и матричные операции, шо такое корреляция и как работают массивы) База простая, но потребуется. От себя: крайне советую не просто повторять примеры из книги, забивая его в компуктер и ожидая циферок, а посчитать прямой/обратный проход для пары узлов вручную, на листике с калькулятором. Вы гораздо больше поймёте и запомните, нежели просто все скормите Python\'у и через неделю забудете. И так делать для всего нового в ML, что можно посчитать. Матана там порой очень много и мат.пакетами типа Maple, Matcad, Wolfram Alpha и подобными на работе пользоваться точно придется. P.s. Конечно если вам нужно просто сделать курсач на TensorFlow или что-нибудь из такого простого, то углубляться в матан совсем не обязательно. Вы быстро разочаруетесь в кажущейся простоте нейронок