¿La teoría de conjuntos ayudar a entender el aprendizaje de máquina o hacer nuevos algoritmos de aprendizaje automático?

Question

Cuando estaba en la universidad, yo no importante en las matemáticas, pero tomó algunas clases de matemáticas. Sin embargo, se me cayó de las clases de matemáticas bastante rápido.

Alguna persona me recomendó que aprender algunos set theory porque va a ayudar me con Machine Learning . Me recomendó un libro que se llama la Teoría de conjuntos Ingenua por Halmos

Otras personas dicen que no va a servir de mucho, porque la teoría de conjuntos vive en un mucho mayor nivel de abstracción de las matemáticas se utiliza en la máquina de aprendizaje.

Ya no sé matemáticas bien, yo no puedo juzgar quién tiene la razón.

¿Alguien puede decirme cómo la teoría de conjuntos me va a ayudar con el aprendizaje de máquina ?

Answer 1

El aprendizaje de máquina, si usted realmente desea entender más bien que simplemente creen que los algoritmos de hacer lo que se supone que deben hacer, requiere una gran dosis de matemáticas. Que la matemática está escrito en un lenguaje y que el lenguaje es la teoría de conjuntos a la Halmos (es decir, el ingenuo tipo). Si usted desea entender correctamente las matemáticas implicadas en ML, entonces es una buena idea tener una buena comprensión de la base del lenguaje universal que es la teoría de conjuntos. Halmos' el libro es muy corto y no ir al muy alto nivel de abstracción que la teoría de conjuntos adecuado para. Si ML es su objetivo, estoy no diría Halmos es una necesidad, pero es sin duda una buena lectura. Solo no esperes que se traducen en cualquier algoritmo.

Answer 2

TL;DR : la teoría de conjuntos es una buena cosa para saber , pero hay más de matemáticas por ahí que en realidad es crítico para el Aprendizaje de Máquina

Probablemente, usted debe aprender Matemáticas en este orden :

1) Recoger este O este y coquetear con las secciones en proofs , set theory and its notations , functions , combinatorics , graphs ; hasta el momento en que usted se sienta cómodo en la resolución de un simple no-problema trivial . No recoger los libros como Halmos , por favor , -- no desacreditar el libro de alguna manera - no sólo se requiere aquí .

2) Aprender Single Variable Calculus de aquí y aquí . Una vez que usted entienda la intuición detrás de ella , recoger un libro de texto estándar y resolver un montón de problemas .

3) Aprender un poco de Multi-Variable Calculus de aquí

4) Aprender Linear Algebra de Strang . Ah ! las alegrías de aprendizaje de Strang . En serio . Usted puede hacer usted mismo sin más buena . Hop en torno a otros MOOCs como este .

5) Aprender Probability and Statistics , la OMI, el más importante de matemáticas de campo requerido para ML . Ya hay muy buenos recursos y respuestas en la red , por lo que no se repita.

6) Aprender a aplicar la estadística , la teoría de la probabilidad a problemas del mundo real intuitiva, a través del aprendizaje Data Mining y haciendo concursos en Kaggle

7) Tomar Ng Maravilloso Curso y se embarcan en un duro pero divertido viaje de ML

Espero que esta ayuda :)

^{Descargo de responsabilidad : yo no soy un ML de Investigador , solo un CS de pregrado que ha estudiado ML y ahora está trabajando en un ML basados en papel debajo de un profesor ; por lo que es posible que la orden podría variar de acuerdo a su kilometraje}