Штучний інтелект набув важливості в останнє десятиліття, багато в чому залежно від розвитку та інтеграції ШІ у наше повсякденне життя. Прогрес, який AI вже домігся, вражає самостійно керуючими автомобілями, медикаментозним діагнозом і навіть ставками на такі стратегічні ігри, як Go and Chess.
Майбутнє для AI є надзвичайно перспективним, і це далеко не те, коли у нас є наші супутники-роботодавці. Це підштовхнуло багато розробників почати писати коди та почати розробку для програм AI та ML. Однак навчитися писати алгоритми для AI та ML непросто і вимагає широкого програмування та математичних знань.
Математика відіграє важливу роль, оскільки створює основу для програмування цих двох потоків.
Є багато причин, чому математика важлива для машинного навчання. Деякі з них нижче:
Вибір правильного алгоритму, який включає врахування точності, часу тренувань, складності моделі, кількості параметрів та кількості особливостей. Вибір параметрів параметрів та стратегій перевірки. Визначення недостатніх та надмірних пристосувань шляхом розуміння компромісії відхилення. Оцінка правильного довірчого інтервалу та невизначеності.
Який тип математики потрібен для машинного навчання?
Математика абсолютно необхідна для вивчення машинного навчання або штучного інтелекту. Будь-яке глибше розуміння понять та алгоритмів в ML вимагає деяких базових математичних знань.
Три основні математичні теорії: лінійна алгебра, багатоваріантний обчислення та теорія ймовірностей.
Лінійна алгебра -
Позначення лінійної алгебри використовується в машинному навчанні для опису параметрів та структури різних алгоритмів машинного навчання. Це робить лінійну алгебру необхідністю зрозуміти, як нейронні мережі з’єднуються і як вони працюють.
Він охоплює такі теми, як:
Скаляри, вектори, матриці, тензори, матричні норми, спеціальні матриці та вектори, власні значення та власне вектори багатовимірне обчислення -
Це використовується для доповнення навчальної частини машинного навчання. Це те, що використовується для вивчення на прикладах, оновлення параметрів різних моделей та підвищення продуктивності.
Він охоплює такі теми, як:
Похідні інтеграли диференціальних операторів градієнтів Опукла теорія ймовірності оптимізації -
Теорії використовуються для того, щоб робити припущення про основні дані, коли ми розробляємо ці алгоритми глибокого навчання або AI. Для нас важливо зрозуміти ключові розподіли ймовірностей,
Він охоплює такі теми, як:
Елементи ймовірності розподілів випадкових змінних Варіантність та очікування Спеціальні випадкові змінні Як швидко засвоїти математику для машинного навчання?
Самостійний спосіб вивчення математики для науки про дані - це вчитися, роблячи лайно. Незважаючи на це, ви хочете вивчити або переглянути основну теорію наперед. Вам не потрібно читати цілий підручник, але ви хочете спочатку вивчити ключові поняття.
В якості м'яких передумов я припускаю базовий комфорт з лінійним численням алгебри / матриці (щоб ви не зациклювалися на нотації) та вступною ймовірністю.
Якщо ви хочете глибоко вивчити математику для машинного навчання, то в Інтернеті доступне n кількість курсів, наприклад,
Лінійна алгебра, ймовірність та статистика Академії Хана, багатовимірний обчислення та оптимізація.
Математичний фонд для машинного навчання та AI на eduonix
Вивчіть машинне навчання математики позаду на удемі
Кодування матриці: лінійна алгебра за допомогою програм комп’ютерних наук Філіпа Кляйна, Університет Браун.
Книга Ларрі Вассермана - Вся статистика: Короткий курс статистичних висновків.
Пам’ятайте, що ви навчаєтесь найкраще, роблячи, і, на жаль, ці курси не містять достатньої кількості завдань та домашніх завдань
Що я рекомендую, Математичний фонд для машинного навчання та AI - Цей курс не є повним навчальним планом з математики; це не призначено для заміни шкільної чи коледжної математичної освіти. Натомість він зосереджується на ключових математичних концепціях, з якими ви зіткнетесь у навчанні машинного навчання.
Що ви дізнаєтесь:
І багато іншого……
В кінці цього курсу у вас буде не тільки знання для створення власних алгоритмів, а й впевненість у тому, щоб фактично почати застосовувати свої алгоритми для використання у своїх наступних проектах.
Курс також включає проекти та вікторини, які допоможуть закріпити ваші знання з математичних понять.
Він призначений для заповнення прогалин для учнів, які пропустили ці ключові поняття як частину своєї формальної освіти або яким потрібно оновити свої спогади після тривалої перерви у вивченні математики.
Я думаю, що цей курс набагато краще, ніж інвестувати 2 - 3 місяці, перебираючи матеріал на початку, а потім забувати половину того, що ви дізналися до того моменту, коли стикаєтесь.
Постарайтеся розібратися в основних показаних поняттях і завжди пам’ятайте, щоб розважитися!