Zi 字媒體

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