Мне сложно советовать что-то полезное без знания вашего бэкграунда. Но в описании группы лежит ссылка к обзору онлайн курсов от тех, кто их тут проходил. Ни один из них я не проходил, поэтому не могу их комментировать. Я могу поделиться мнением про Бишопа, но опять же не знаю насколько эта книга даст вам, то что вы ищите

Подобные анаунсменты как раз и должны быть в мейне и т.п.

Книги Бишоп, Гудфеллоу, Николенко. Курсы дип лернинг на пальцах, cs231n Стэнфорд. Но всё да очень индивидуально

Бишоп про классический/байесовский ML
по мне в Гудфеллоу описание слишком недетальное (и подходит для изучения уже на более продвинутом уровне, чтобы всё систематизировать)
Николенко мало читал, но то что видел — понравилось
Курс cs231n посмотрел, он хороший.
Советую сразу кодить, делать домашки и смотреть примеры

+++. Если более подробно, то из полярного представления: P = (ρ, θ). Тогда принадлежность к сектору определяется выполнением следующих условий: 1) ρ ≤ r 2) α ≤ θ ≤ β

Этож было оставлено ему для самостоятельной работы 😂

Про Бишопа реально было бы интересно.

Вот:

Ниже, 3 моих самых любимых учебников по ML. Всем их рекомендую! Оговорюсь, я не знаком с ML литературой на русском, если кто знает хорошие книги на русском, пожалуйста, добавьте.

- The Elements of Statistical Learning: Data Mining, Inference, and Prediction. T. Hastie, R. Tibshirani, J. Friedman
Книга шикарно написана. Masterpiece. Кууча материала, которого не найти ни в каких других ML учебниках. Одна тема органично перетекает в другую – читается с удовольствием. Один из самых полноценных учебников в плане покрытия тем.

- Convex Optimization. S. Boyd, L. Vandenberghe
Книга, без преувеличений, шедевр. Очень элегантно написана. У Boyd-a редкий дар излагаться коротко и ясно – ровно столько сколько необходимо чтобы донести мысль, ни слова больше, ни слова меньше. Очень хорошо организованна. Покрывает и фундаментальные темы, и алгоритмы, и применения в МЛ.

- Pattern Recognition and Machine Learning. C. Bishop
Качественная книга. Легко читается. Покрывает многие ключевые темы. Материал преподносится from Bayesian viewpoint

Вот pdf версии книг:

Добавлю, что мне книга Бишопа развила твёрдую интуицию вокруг предмета. Но опять же, возможно это потому, что я взял 4 курсаа по ней за андерград и град скул

классно

Вот обзор на Гудфеллоу, который я оказывается 2017ом здесь писал. Перечитал – всё ещё согласен с тем, что тогда написал)

В целом у DL нету теории (пока), поэтому и норм книги нет по предмету. Есть всякие handwavy mathplanations для отдельных моментов, многие из которых не выдерживают никакой строгости

Я ее полностью не читал, но у меня стоит оригинал на полке) я согласен про немного поверхностное интро с математикой, но его же можно не читать. В конце концов, книга дает возможность понять куда копать, чтобы знать больше.