Quiero conseguir más profundo en la máquina Learning(theory and application in Finance). ¿Quiero preguntar cómo relevantes son complejos análisis y análisis funcional como base para el aprender de máquina? ¿Que necesito aprender a estos temas o debo me concentro yo en otros topich (si, en el que?)
Respuesta
¿Demasiados anuncios?
Yo diría que el más importante de los requisitos previos para el Aprendizaje de Máquina son de Álgebra Lineal,Optimización (tanto numéricos y teóricos) y las Probabilidades.
Si usted lee los detalles de las implementaciones comunes de algoritmos de aprendizaje automático (tengo en mente el LAZO, Red Elástica, SVMs) las ecuaciones depende fuertemente de las diversas identidades (doble forma de un problema de optimización, diversas fórmulas derivadas de álgebra lineal) y la aplicación requiere que usted se familiarice con técnicas como el gradiente de la pendiente.
Las probabilidades son una necesidad tanto en el PAC Marco de Aprendizaje y cada vez que pruebas de estudio.
Entonces, sólo entonces, el análisis funcional puede venir en práctico. Especialmente cuando usted está estudiando núcleos (y utilizar la representación teoremas).
Sobre análisis complejo, yo no soy consciente de que el mayor uso de importantes teoremas derivados de este campo en el aprendizaje de máquina (que alguien me corrija si me equivoco).
