Wie kann ich anfangen, Mathematik für maschinelles Lernen zu lernen?

7

Ich bin ein Android-Programmierer. Jetzt möchte ich maschinelles Lernen lernen. Ich weiß, dass es einen mathematischen Hintergrund wie Statistik, Wahrscheinlichkeit, Kalkül und lineare Algebra erfordert. Ich bin jedoch etwas verloren. Wo soll ich anfangen? Kann mir jemand einen Fahrplan geben, wie ich den für maschinelles Lernen erforderlichen mathematischen Hintergrund erlernen kann?

machine-learning math Anko6
quelle
1
Die meisten Algorithmen für maschinelles Lernen erfordern sehr, sehr einfache Mathematik, wie Punktprodukte und einfache Funktionen wie sin, cos (wenn Sie wissen, was sie sind, ist das genug) ... Dann werden Sie meinem Feind begegnen, der Back Propagation, die Sie zum Öffnen zwingt Kalkulierend, es ist nicht so komplex, aber für mathematisch langweilige Leute wie ... jeder auf der Welt erfordert es etwas Engagement. Kurze Antwort: Beginnen Sie mit dem Erlernen von ML und suchen Sie nach Bedarf nach Mathematik.
Aus
Beginnen Sie mit dem Lesen des Handbuchs für Neuroevolution über Erlang amazon.com/Handbook-Neuroevolution-Through-Erlang-Gene/dp/… , ein guter Anfang, der sehr grundlegende Mathematik erfordert.
Aus
Eine verwandte Frage: Was muss ich für maschinelles Lernen lernen? .
nbro

Antworten:

5

Sie sollten mit dem maschinellen Lernkurs von Dr. Andrew Ng auf Coursera beginnen. Es ist wahrscheinlich der beliebteste Kurs für Neulinge im maschinellen Lernen. Es ist ein kostenloser Kurs.

Sie sollten auch das eBook PDF "Elemente des statistischen Lernens" herunterladen. Es ist ein kostenloses Buch.

Vielleicht möchten Sie sich auf Folgendes konzentrieren:

  1. Regression
  2. Kreuzvalidierung
  3. Bias-Varianz-Kompromiss
  4. Entscheidungsfläche
  5. Gradientenabstieg

Und mehr...

Hallo Welt
quelle
Ein ausgezeichnetes Buch, aber ich würde zuerst "Eine Einführung in das statistische Lernen" (meistens von denselben Autoren) empfehlen. Es ist einführender und weniger mathematisch anspruchsvoll. www-bcf.usc.edu/~gareth/ISL Es gibt auch einen kostenlosen Online-Kurs in Stanford, bei dem die Autoren das Buch verwenden. lagunita.stanford.edu/courses/HumanitiesSciences/StatLearning/…
Randy
Wenn Sie tatsächlich Mathematik für maschinelles Lernen lernen möchten, beginnen Sie mit Wahrscheinlichkeit, linearer Algebra, Optimierung, dynamischen Systemen. Alles in ML ist aus diesem Zeug aufgebaut. Und die meisten Leute auf dem Gebiet haben die Dinge nicht richtig gelesen.
Mathtick
1

Wenn Sie daran interessiert sind, Ihre statistischen Konzepte zu vertiefen, bevor Sie sich mit maschinellem Lernen befassen, würde ich den Kurs Einführung in die Statistik: Deskriptive Statistik in edX empfehlen

wo du lernen wirst

  • Die grundlegenden Konzepte und Methoden der Statistik
  • Interpretation grafischer und numerischer Zusammenfassungen von Daten
  • Verstehen Sie die Gründe für die Berechnungen, die Annahmen, unter denen sie gültig sind, und die korrekte Interpretation der Ergebnisse

Der Link für den Kurs ist edX

Dies wird definitiv Ihren statistischen Hintergrund mit dem zusätzlichen Vorteil der Zertifizierung verdeutlichen.

parth
quelle
1

Einige der grundlegenden mathematischen Konzepte, die im ML-Bereich erforderlich sind, sind folgende:

  • Lineare Algebra
  • Analytische Geometrie
  • Matrixzerlegungen
  • Vektorrechnung
  • Wahrscheinlichkeit und Verteilung
  • Kontinuierliche Optimierung

Ein kürzlich bei Mathematics for Machine Learning erhältliches Buch behandelt all diese Aspekte und mehr.

Anurag
quelle