Несколько лет назад я проходил курс вероятностного обучения в университете, но сейчас я прорабатываю некоторые алгоритмы машинного обучения, и некоторые математические навыки просто сбивают с толку.
В частности, сейчас я изучаю алгоритм EM (максимизация ожидания), и кажется, что между тем, что требуется, и тем, что у меня есть, есть большая разница.
Я не прошу книгу или веб-сайт, но каким образом можно выучить эти темы достаточно, чтобы получить полное представление об алгоритмах, которые их используют? Нужно ли читать книгу и делать сотни упражнений? Или это перебор в этом смысле?
редактировать: если это неправильное место для этого вопроса, пожалуйста, проголосуйте за миграцию :)
Ответы:
Многие из книг и онлайн-введение в машинное обучение дают некоторое представление об их необходимой вероятности в их контенте, поэтому я бы начал с одной или нескольких книг такого рода. Вдобавок ко всему, я могу думать о распознавании статистических паттернов (может быть, потому, что там я выучил ЭМ) и об элементах статистического обучения .
Мой реальный совет - учебники по статистическому анализу данных Эндрю Мура. Это был сайт, который преодолел разрыв, который у меня был до того, как я начал свою докторскую диссертацию (из инженерного образования). Я знаю, что вы сказали, что не спрашиваете о веб-сайте, но посмотрите на Вероятность для майнеров данных и другие слайды вероятности, прежде чем принять решение. И посмотрите на модели гауссовых смесей для EM.
Я так не думаю. Расчеты вероятности в машинном обучении имеют тенденцию группироваться вокруг нескольких хорошо известных путей. Если вы хорошо разберетесь в гауссовском одномерном и многомерном распределении и изучите несколько объяснений EM, то вы довольно далеко продвинетесь. И линейная алгебра. Вам понадобится много линейной алгебры.
источник
Искусственный интеллект приобрел значение в последнее десятилетие, и многое зависит от развития и интеграции ИИ в нашу повседневную жизнь. Прогресс, которого уже достиг ИИ, поражает своими автомобилями, медицинской диагностикой и даже ставками на людей в стратегических играх, таких как Го и Шахматы.
Будущее искусственного интеллекта чрезвычайно многообещающе, и оно не далеко от того, когда у нас есть свои спутники-роботы. Это подтолкнуло многих разработчиков начать писать коды и начинать разрабатывать программы для ИИ и МЛ. Однако научиться писать алгоритмы для ИИ и МЛ непросто и требует обширных знаний в области программирования и математики.
Математика играет важную роль, поскольку она закладывает основу для программирования этих двух потоков.
Есть много причин, почему математика важна для машинного обучения. Некоторые из них ниже:
Выбор правильного алгоритма, который включает в себя учет точности, времени обучения, сложности модели, количества параметров и количества функций. Выбор параметров настройки и стратегии проверки. Выявление недостаточного и дополнительного оснащения путем понимания компромисса смещения. Оценка правильного доверительного интервала и неопределенности.
Какой тип математики требуется для машинного обучения?
Математика абсолютно необходима для изучения машинного обучения или искусственного интеллекта. Любое более глубокое понимание концепций и алгоритмов в ML требует некоторых базовых математических знаний.
Три основные математические теории: линейная алгебра, многомерное исчисление и теория вероятностей.
Линейная алгебра -
Обозначение линейной алгебры используется в машинном обучении для описания параметров и структуры различных алгоритмов машинного обучения. Это делает линейную алгебру необходимостью понять, как нейронные сети объединяются и как они работают.
Он охватывает такие темы, как:
Скаляры, векторы, матрицы, тензорные матричные нормы, специальные матрицы и векторы, собственные значения и собственные векторы, многомерное исчисление -
Это используется для дополнения обучающей части машинного обучения. Это то, что используется для изучения примеров, обновления параметров различных моделей и повышения производительности.
Он охватывает такие темы, как:
Производные Интегралы Градиенты Дифференциальные операторы Теория вероятностей выпуклой оптимизации -
Теории используются, чтобы делать предположения о базовых данных, когда мы разрабатываем эти алгоритмы глубокого обучения или ИИ. Для нас важно понимать ключевые вероятностные распределения,
Он охватывает такие темы, как:
Элементы вероятности Случайные величины Распределения Дисперсия и ожидание Специальные случайные величины Как быстро выучить математику для машинного обучения?
Самостоятельный способ изучения математики в науке о данных - это научиться «делать дерьмо». Тем не менее, вы хотите изучить или пересмотреть основную теорию заранее. Вам не нужно читать весь учебник, но вы сначала захотите изучить ключевые понятия.
В качестве мягких предпосылок я предполагаю базовую комфортность с линейным алгебраическим / матричным исчислением (чтобы вы не застряли в нотации) и вводную вероятность.
Если вы хотите углубленно изучать математику для машинного обучения, то в Интернете доступно n курсов, таких как:
Линейная алгебра Ханской академии, вероятность и статистика, многовариантное исчисление и оптимизация.
Математическая основа машинного обучения и искусственного интеллекта на eduonix
Выучите машинное обучение математике на удеме
Кодирование матрицы: линейная алгебра с помощью приложений для компьютерных наук, Филип Кляйн, Университет Брауна.
Книга Ларри Вассермана - Вся статистика: краткий курс статистического вывода.
Помните, что вы учитесь лучше всего, и, к сожалению, эти курсы не содержат достаточного количества заданий и домашней работы
Я рекомендую Математическое основание для машинного обучения и искусственного интеллекта - этот курс не является полным учебным планом по математике; он не предназначен для замены школьного или колледжского математического образования. Вместо этого он фокусируется на ключевых математических понятиях, с которыми вы столкнетесь при изучении машинного обучения.
Что вы узнаете:
И многое другое……
В конце этого курса у вас будет не только знания для создания собственных алгоритмов, но и уверенность в том, что вы действительно начнете применять свои алгоритмы в своих следующих проектах.
Курс также поставляется с проектами и викторинами, чтобы помочь закрепить ваши знания математических понятий.
Он предназначен для заполнения пробелов для студентов, которые пропустили эти ключевые понятия как часть своего формального образования, или которым необходимо освежить свои воспоминания после долгого перерыва в изучении математики.
Я думаю, что этот курс намного лучше, чем тратить 2-3 месяца на изучение материала вначале, а затем забыть половину того, что вы узнали, когда столкнулись с ним.
Постарайтесь понять основные показанные концепции и всегда не забывайте получать удовольствие!
источник