Qué matemáticas todos necesito saber para ser buena en aprender de máquina.

Question

Soy ingeniero informático y me tomé un par de clases de matemáticas en mi primer año en la serie de Fourier(no transformar) parcial de ecuaciones diferenciales, cálculo vectorial, la serie infinita de las matrices.

Me parece que ninguna de esas clases me están ayudando a día de hoy y estoy empezando con la máquina de aprendizaje de este semestre y me encuentro con que mis habilidades matemáticas son horribles. Yo solo quiero saber de todos los temas de matemáticas que yo iba a necesitar para este curso para que yo pudiera se puede obtener un libro de matemáticas y la práctica de ellos.

PS: Este es mi plan de estudios

Answer 1

En mi opinión, los elementos esenciales son:

• Álgebra lineal. Viene explícitamente por ejemplo, en las redes neuronales, pero se usa de forma implícita en todo el lugar, como por ejemplo en problemas de regresión.

• Cálculo, sino que se centran en la diferenciación y no de integración. Asegúrese de incluir parcial de la diferenciación y la búsqueda de los mínimos y máximos de las funciones de varias variables, debido a que este es utilizado en...

• La optimización. Entender gradiente de la pendiente, al menos, y lo que puede salir mal cuando se trata de optimizar las funciones que no son cóncavo / convexo.

• Probabilidad y estadística. Definitivamente, usted necesita entender los conceptos básicos, tales como lo son variables aleatorias, ¿cuáles son los medios y las expectativas, medidas de dispersión, incluyendo la desviación estándar. También sería útil para entender la regresión lineal, y la diferente perspectiva Bayesiana enfoques. El peligro de ir demasiado lejos en las estadísticas es que una parte importante de la estadística es que se trate con la prueba de hipótesis, que no es muy útil para el aprendizaje de máquina.

Todos en todos, tratar de obtener los conceptos básicos de estas áreas clasificadas, pero no ir demasiado lejos, porque:

1. Es perfectamente posible ser un exitoso profesional de aprendizaje de la máquina sin una comprensión en profundidad de las matemáticas.

2. Una vez que usted tiene suficientes fundamentos que va a ser mejor que tomar un "justo a tiempo" en el enfoque de aprendizaje debido a que el subyacente de las matemáticas involucradas es tan amplia y profunda que no puede ser experto en todo, incluso si usted quería.

Por último, si aún no lo ha hecho, Tome Andrew Ng, de la máquina de aprendizaje del curso en coursera, que es una gran vista de la zona, y cubre sólo lo suficiente matemáticas para evitar la glosa sobre cuestiones importantes, pero no tanto que es inaccesible si usted está dispuesto a poner el esfuerzo en.

Answer 2

Depende mucho de el tipo de modelos que se va a trabajar, pero sólo para agregar un par de palabras clave y los enlaces:

• Estadísticas: útil para explorar los datos, construir modelos potencialmente y evaluar los modelos de las actuaciones.
• Probabilidades: dado que la mayoría de los datos es ruidoso, nosotros los necesitamos a ellos.
• Álgebra lineal, especialmente vectores propios, valores y SVD/PCA/ICA. MOOC: edX: Álgebra Lineal - las Fundaciones a las Fronteras. También es útil para vectorizar sus fórmulas y las implementaciones (Gpu puede ser bastante útil).
• Cálculo, sobre todo, ser capaz de calcular los gradientes (omnipresente en el aprendizaje de máquina). En menor medida, de integración, especialmente cuando la manipulación continua de probabilidades.
• La teoría de grafos: conocer los términos básicos es útil a la hora de pensar en modelos gráficos.
• Lógica: la mayoría GOFAI pero aún así es bueno saber.
• La teoría de la complejidad computacional, ya que uno de los problemas claves en el aprendizaje de máquina es el tiempo de cálculo.

Además Ng excelente supuesto, si usted quiere centrarse en un mayor enfoque teórico, aconsejo mirar en el Caltech MOOC sobre aprendizaje de máquina , que es bastante impresionante también.