Chcę głębiej poznać uczenie maszynowe (teoria i zastosowanie w finansach). Chcę zapytać, jak istotna jest złożona analiza i analiza funkcjonalna jako podstawa uczenia maszynowego? Czy muszę się uczyć tych przedmiotów, czy powinienem skoncentrować się na innym temacie (jeśli tak, to na jakim?)
Odpowiedzi:
Powiedziałbym, że najważniejszymi warunkami wstępnymi uczenia maszynowego są algebra liniowa , optymalizacja (zarówno numeryczna, jak i teoretyczna) i prawdopodobieństwa .
Jeśli przeczytasz szczegóły implementacji popularnych algorytmów uczenia maszynowego (mam na myśli LASSO, Elastic Net, SVM), równania silnie polegają na różnych tożsamościach (podwójna postać problemu optymalizacji, różne formuły wynikające z algebry liniowej) i implementacja wymaga znajomości technik takich jak opadanie gradientu.
Prawdopodobieństwa są obowiązkowe zarówno w PAC Learning Framework, jak i za każdym razem, gdy studiujesz testy.
Tylko wtedy analiza funkcjonalna może się przydać. Zwłaszcza gdy studiujesz jądra (i używasz twierdzeń o reprezentacji).
Jeśli chodzi o złożoną analizę, nie jestem świadomy dużego zastosowania ważnych twierdzeń wynikających z tej dziedziny w uczeniu maszynowym (ktoś mnie poprawia, jeśli się mylę).