打好基礎
做好應用
最近這幾天,有不少模友跟超模君交流,問說:如果學習機器學習、人工智慧用什麼軟體比較好?
不過從與模友的交流發現,很多模友把機器學習的核心放到了
軟體的使用,缺少獲取有用結果
所必要的數學方法與思維。
事實上,目前針對機器學習的軟體十分容易獲取,例如
Python,scikit-learn,Weka等等,而且相應的軟體學習教程也不難找到。但機器學習是集合了統計學、概率論、計算機科學、數學演算法多等方面交叉研究,即便你對機器學習的應用爐火純青,但對這些技術沒有一個全面的數學理解,極有可能出現應用失誤:
機器人傷人事件,機器人失控。。。
那自然有模友會問:
對於機器學習入門所需的數學知識水平是怎樣的?超模君:對於入門學習的標準,可能每個人的認識都有所不同。
那超模君也說說機器學習入門應該需要知道
哪些數學知識。
線性代數
線性代數是21世紀的數學!
在機器學習領域,線性代數無處不在。主成分分析(PCA)、奇異值分解(SVD)、特徵分解、LU分解、QR分解、對稱矩陣、正交化&標準正交化、矩陣運算、投射、特徵值&特徵向量、向量空間和規範等這些概念對理解機器學習的優化方法都是必須的。
另外還有一個很棒的點:目前在互聯網上具有大量的學習資料,所需的資料基本上都可以找到!
對於概率論與數理統計在機器學習領域重要性是不言而喻的。
機器學習的核心是通過大量的數據集進行長期訓練,最終形成具有複雜思考思維的機器,而這裡面自然不可拋棄
概率論與數理統計。
而這其中所涉及的辦法包括:合數學、概率規則&公理、貝葉斯定理、隨機變數、方差和均值、條件和聯合分別、標準分佈(伯努利、二項、多項、統一和高斯)、矩母函數、最大似然估計(MLE)、先驗和后驗、最大后驗估計(MAP)和採樣方法。
多元微積分
說到多元微積分,必要的概念包括微積分、偏導數、向量函數、方向梯度、Hessian、Jacobian、Laplacian和Lagragian分佈。
其實對初學者來說,你
並不需要先學好大量數學知識再開始做機器學習。
最基本的需要懂得做簡單的數據分析,夯實好基礎,然後你可以在掌握更多技術和演算法的過程中繼續學習數學。
所以要學好機器學習
夯實好基礎
學點數學知識
掌握更多技術與演算法
。
。
。
3月14日
科學院計算機專家的鄒博士
將帶來全新升級的機器學習內容
知識、技術兩不誤
所以
這一次的分享絕不容錯過