Jaki jest najlepszy sposób na poznanie podstaw prawdopodobieństwa wymaganego dla algorytmów uczenia maszynowego?

Kilka lat temu odbyłem kurs prawdopodobieństwa na uniwersytecie, ale teraz przechodzę przez algorytmy uczenia maszynowego, a niektóre matematyki są po prostu oszałamiające.

Właśnie teraz uczę się algorytmu EM (maksymalizacja oczekiwań) i wydaje się, że istnieje duże rozróżnienie między tym, co jest wymagane, a tym, co mam.

Nie pytam o książkę ani stronę internetową, ale w jaki sposób można nauczyć się wystarczająco dużo z tych tematów, aby móc dokładnie zrozumieć algorytmy, które ich używają? Czy trzeba przejrzeć książkę i wykonać setki ćwiczeń? A może to przesada w tym sensie?

edytuj: Jeśli jest to niewłaściwa lokalizacja dla tego pytania, zagłosuj na migrację :)

Wiele książek i wprowadzenie online do uczenia maszynowego zawiera trochę informacji na temat ich prawdopodobnego prawdopodobieństwa w zakresie treści, dlatego zacznę od jednej lub kilku książek tego rodzaju. Z góry głowy mogę myśleć o statystycznym rozpoznawaniu wzorców (być może dlatego, że nauczyłem się tam EM) i elementach statystycznego uczenia się .

Moja prawdziwa rada to Samouczki dotyczące eksploracji danych statystycznych autorstwa Andrew Moore'a. To była strona, która wypełniła lukę, którą miałem przed rozpoczęciem doktoratu (pochodzącego z wykształcenia inżynierskiego). Wiem, że powiedziałeś, że nie pytasz o stronę internetową, ale zanim zdecydujesz, przejrzyj tam Prawdopodobieństwo dla Data Miners i inne slajdy prawdopodobieństwa. I spójrz na modele mieszanki Gaussa dla EM.

Czy trzeba przejrzeć książkę i wykonać setki ćwiczeń?

Nie wydaje mi się Obliczenia prawdopodobieństwa w uczeniu maszynowym zwykle skupiają się wokół kilku dobrze znanych ścieżek. Posiadanie silnej znajomości jedno- i wielowymiarowej dystrybucji Gaussa i studiowanie kilku wyjaśnień EM powinno doprowadzić cię dość daleko. I algebra liniowa. Będziesz potrzebował dużo algebry liniowej.

Sztuczna inteligencja zyskała na znaczeniu w ostatnim dziesięcioleciu, przy czym wiele zależy od rozwoju i integracji AI w naszym codziennym życiu. Postęp, który poczyniła już sztuczna inteligencja, jest zdumiewający dzięki samojezdnym samochodom, diagnozie medycznej, a nawet zakładaniu ludzi w grach strategicznych, takich jak Go i Chess.

Przyszłość sztucznej inteligencji jest niezwykle obiecująca i nie jest to daleko od tego, kiedy będziemy mieli własnych robotycznych towarzyszy. Zmusiło to wielu programistów do pisania kodów i tworzenia programów dla AI i ML. Jednak nauka pisania algorytmów dla AI i ML nie jest łatwa i wymaga obszernej wiedzy programistycznej i matematycznej.

Matematyka odgrywa ważną rolę, ponieważ stanowi podstawę programowania dla tych dwóch strumieni.

Istnieje wiele powodów, dla których matematyka jest ważna w uczeniu maszynowym. Niektóre z nich są poniżej:

Wybór właściwego algorytmu, który obejmuje rozważenie dokładności, czasu szkolenia, złożoności modelu, liczby parametrów i liczby cech. Wybór ustawień parametrów i strategii sprawdzania poprawności. Identyfikacja niedopasowania i niedopasowania poprzez zrozumienie kompromisu odchylenia wstępnego. Szacowanie właściwego przedziału ufności i niepewności.

Jaki rodzaj matematyki jest wymagany do uczenia maszynowego?

Matematyka jest absolutnie niezbędna do nauki uczenia maszynowego lub sztucznej inteligencji. Głębsze zrozumienie pojęć i algorytmów w ML wymaga podstawowej wiedzy matematycznej.

Trzy główne teorie matematyczne: algebra liniowa, rachunek wielowymiarowy i teoria prawdopodobieństwa.

Algebra liniowa -

Notacja algebry liniowej jest używana w uczeniu maszynowym do opisywania parametrów i struktury różnych algorytmów uczenia maszynowego. To sprawia, że ​​algebra liniowa jest niezbędna do zrozumienia, w jaki sposób sieci neuronowe są łączone i jak działają.

Obejmuje takie tematy jak:

Skalary, wektory, macierze, tensory Normy macierzy Specjalne macierze i wektory Wartości własne i wektory własne Rachunek wielowymiarowy -

Służy to jako uzupełnienie części uczenia maszynowego. Służy do uczenia się na przykładach, aktualizowania parametrów różnych modeli i poprawy wydajności.

Obejmuje takie tematy jak:

Pochodne Całki Gradienty Operatory różniczkowe Optymalizacja wypukła Teoria prawdopodobieństwa -

Teorie są wykorzystywane do przyjmowania założeń dotyczących danych bazowych podczas projektowania tych algorytmów głębokiego uczenia lub AI. Ważne jest, abyśmy rozumieli kluczowe rozkłady prawdopodobieństwa,

Obejmuje takie tematy jak:

Elementy prawdopodobieństwa Rozkład zmiennych losowych Rozbieżność i oczekiwanie Specjalne zmienne losowe Jak szybko nauczyć się matematyki w uczeniu maszynowym?

Samo-startowy sposób uczenia się matematyki w nauce o danych polega na uczeniu się poprzez „robienie gówna”. Mimo to będziesz chciał poznać lub zrewidować leżącą u podstaw teorię z góry. Nie musisz czytać całego podręcznika, ale najpierw musisz poznać najważniejsze pojęcia.

Jako miękkie warunki wstępne zakładam podstawową wygodę z wykorzystaniem algebry liniowej / rachunku macierzowego (abyś nie utknął w notacji) i prawdopodobieństwo wprowadzenia.

Jeśli chcesz głęboko nauczyć się matematyki w uczeniu maszynowym, dostępnych jest n kursów online, takich jak:

Algebra liniowa Khan Academy, prawdopodobieństwo i statystyka, rachunek wielowymiarowy i optymalizacja.

Mathematical Foundation for Machine Learning i AI on eduonix

Dowiedz się uczenia maszynowego matematyki za udemy

Coding the Matrix: Linear Algebra with Computer Science Applications autorstwa Philip Klein, Brown University.

Książka Larry'ego Wassermana - Wszystkie statystyki: zwięzły kurs wnioskowania statystycznego.

Pamiętaj, że uczysz się najlepiej, robiąc, i niestety te kursy nie zawierają wystarczającej liczby zadań i zadań domowych

Polecam Mathematical Foundation For Machine Learning i AI - ten kurs nie jest pełnym programem nauczania matematyki; nie jest przeznaczony do zastąpienia edukacji matematycznej w szkole lub na studiach. Zamiast tego koncentruje się na kluczowych pojęciach matematycznych, które napotkasz podczas studiów nad uczeniem maszynowym.

Czego się nauczysz:

I wiele więcej……

Pod koniec tego kursu będziesz mieć nie tylko wiedzę do budowania własnych algorytmów, ale także pewność, że zaczniesz używać algorytmów do wykorzystania w kolejnych projektach.

Kurs zawiera również projekty i quizy, które pomogą utrwalić Twoją wiedzę na temat pojęć matematycznych.

Został zaprojektowany, aby wypełnić luki dla studentów, którzy pominęli te kluczowe pojęcia w ramach formalnej edukacji lub którzy potrzebują odświeżyć swoje wspomnienia po długiej przerwie w nauce matematyki.

Myślę, że ten kurs jest o wiele lepszy niż zainwestowanie 2-3 miesięcy w przeglądanie materiału na początku, a następnie zapominanie o połowie tego, czego się nauczyłeś, kiedy go spotkałeś.

Spróbuj zrozumieć przedstawione podstawowe pojęcia i zawsze pamiętaj, aby dobrze się bawić!