quora.com
У меня нет сильной математической подготовки, что я должен изучить по математике, чтобы освоить машинное обучение и искусственный интеллект?
Эндрю Нг, соучредитель Coursera; Адъюнкт-профессор Стэнфорда
แนะนำว่า ควรเรียนตณิตศาตร์ด้าน
- Линейная алгебра
- Вероятность и статистика
- Исчисление (включая многомерное исчисление)
- Оптимизация
Доктор Каушал Шарма, доктор философии (физика), Университет Абердина, Ex-ISRO Eng.
ใจ ดี บอก แหล่ง เรียน ฟรี ฟรี ฟรี เพิ่ม ด้วย หลัก ๆ ก็ จะ เป็น คอร์ส ของ ของ
MIT OpenCourseWare (OCW)
ที่เดียวครบทุกเรื่อง
ตามนี้ครับ
- Линейная алгебра. Линейная алгебра — это математика 21 века, и я полностью согласен с этим утверждением. В машинном обучении линейная алгебра встречается повсюду. Такие темы, как анализ основных компонентов (PCA), разложение по сингулярным числам (SVD), собственное разложение матрицы, LU-разложение, QR-разложение/факторизация, симметричные матрицы, ортогонализация и ортонормализация, матричные операции, проекции, собственные значения и собственные векторы, векторные пространства и нормы. необходимы для понимания методов оптимизации, используемых для машинного обучения. Самое удивительное в линейной алгебре то, что существует так много онлайн-ресурсов. Я всегда говорил, что традиционный класс умирает из-за огромного количества ресурсов, доступных в Интернете. Мой любимый курс по линейной алгебре — это курс, предлагаемый MIT Courseware (проф. Гилберт Стрэнг).
- Теория вероятностей и статистика.Машинное обучение и статистика не очень разные области. На самом деле, кто-то недавно определил машинное обучение как «ведение статистики на Mac». Некоторые из фундаментальных статистических и вероятностных теорий, необходимых для машинного обучения, включают комбинаторику, правила и аксиомы вероятностей, теорему Байеса, случайные величины, дисперсию и ожидание, условное и совместное распределения, стандартные распределения (бернуллиевское, биномиальное, полиномиальное, равномерное и гауссовское), момент Генерирующие функции, оценка максимального правдоподобия (MLE), априорная и апостериорная оценка, максимальная апостериорная оценка (MAP) и методы выборки.
- Многомерное исчисление. Некоторые из необходимых тем включают дифференциальное и интегральное исчисление, частные производные, векторно-значные функции, направленный градиент, распределение Гессе, якобиан, лапласиан и лагражиан.
- Алгоритмы и комплексная оптимизация. Это важно для понимания вычислительной эффективности и масштабируемости нашего алгоритма машинного обучения, а также для использования разреженности в наших наборах данных. Требуется знание структур данных (бинарные деревья, хэширование, куча, стек и т. д.), динамического программирования, рандомизированных и сублинейных алгоритмов, графиков, градиентных/стохастических спусков и первично-двойственных методов.
- Другое.Включает в себя другие темы по математике, не охваченные в четырех основных областях, описанных выше. Они включают реальный и комплексный анализ (множества и последовательности, топология, метрические пространства, однозначные и непрерывные функции, пределы, ядро Коши, преобразования Фурье), теорию информации (энтропия, прирост информации), функциональные пространства и многообразия.
