|
在尝试理解跨学科领域（例如机器学习）时，主要问题是数学在多大程度上至关重要，以及掌握这些策略所需的数学程度。 机器学习是关于数学的，因此它有助于通过从数据中获取收益来进行计算，以做出准确的预测。预测可以很简单，就像根据给定的图片排列对犬科动物或猫科动物进行分组，或者根据过去的购买情况向客户开出哪些物品。因此，理解适当驱动任何焦点 ML 计算的数学思想至关重要。按照这些思路，它可以帮助您为数据科学和机器学习领域的工作选择合适的计算。 机器学习基于数字要求，因此只要您能理解为什么使用数学，它就会很有趣。 对机器学习很重要的数学概念统计数据统计学是一个基本概念，每个有希望的信息研究人员都需要弄清楚如何理解人工智能，同时使用假设检验、逻辑回归、判别分析和分布等特征。 假设你在学校里正在与统计学作斗争。在这种情况下，您希望将 200% 的精力放在精通统计学的科学部分上，因为这是您成为一名卓有成效的信息研究员的基础。更直接地说，统计学是人工智能数学的主要部分。 结石许多不喜欢学习学校里展示的微积分的学生将会受到不礼貌的震惊，因为它是机器学习的必要组成部分。幸运的是，如果你不主导分析，这将会有所帮助。学习和掌握微积分的标准至关重要。同样，您希望在模型构建过程中通过微积分理解机器学习的可行用途。 这样，假设您了解该功能的子项如何返回其在微积分中的进展速度，您将想要弄清楚斜率骤降的概念。我们希望找到斜率下降能力的局部最小值等。如果您有鞍点或不同的最小值，则斜率下降可以找出局部最小值，而不是全局最小值，除非您从不同的地方开始。信息科学中微积分部分的一些基础科目包括：微分和积分、偏导数、向量值函数、方向梯度、雅可比行列式等等。 线性代数了解如何构建直接条件对于创建焦点 ML 计算至关重要。这些将用于评估和观察数据分类，并且还应用于线性回归等机器学习算法。这些是理解用于 ML 的增强技术的必要想法。 我们使用线性代数来进行中心部分检查，用于降低信息的维数。基于线性代数的数学同样在大脑网络中得到广泛应用，用于处理和描述网络。您应该热衷于基于线性代数的数学，因为它在数据科学中广泛使用。 尽管如此，不要受到这种威胁，因为理解这些想法非常重要。然而，您不需要成为线性代数专家来处理大多数问题，有关想法的可靠信息就足够了。马克·彼得·迪森罗尔 (Marc Peter Disenroll) 所著的《机器学习数学》是一本非凡的书，如果您一开始就在与数学作斗争，那么它可以帮助您在这次旅行中顺利进行一切。 离散数学离散数学关心的是非连续的数字，即最频繁的数字。许多应用程序需要使用离散数。人工智能中的大量设计都是离散的。例如，神经网络拥有大量的集线器和互连，但它不能有 0.65 个节点或九分之一的链路。随后，构建大脑网络的数学应该包含一个离散组件，整个数字解决了中枢和互连的数量。 您可以掌握 ML 的离散数学基础知识，除非您希望处理关系域、图形模型、组合问题、结构化预测等。幸运的是，对于软件工程毕业生来说，这些想法在他们的学校中得到了适当的体现。尽管如此，其他人可能需要投入额外的精力来掌握这个主题。因此，离散数学是人工智能和机器学习的重要组成部分。 可能性为了正确管理 ML 有先见之明的建模项目，推断可能性是基础是明智的。机器学习是根据可疑数据建立预测模型的方法，该漏洞涉及使用有缺陷或碎片的数据。漏洞对于机器学习至关重要，但也是给新手带来最大麻烦的部分之一，尤其是那些刚接触编程基础的新手。 即使在正确的概率工具的帮助下，我们也可以得出问题的答案。 结论数学已经成为我们日常生活的一部分。从我们醒来到入睡，我们在生活的每个部分都使用数学。尽管如此，您可能会思考数学在机器学习中的重要性，以及是否以及如何解决任何可验证的业务问题。 |
|
|
