Was ist der beste Weg, um die Grundlagen der Wahrscheinlichkeit zu lernen, die für maschinelle Lernalgorithmen erforderlich sind?

Ich habe vor ein paar Jahren einen Wahrscheinlichkeits-Kurs an der Universität belegt, aber ich gehe jetzt einige Algorithmen für maschinelles Lernen durch und ein Teil der Mathematik ist nur verwirrend.

Ich lerne gerade den EM-Algorithmus (Expectation Maximization) und es scheint, dass eine große Kluft zwischen dem, was benötigt wird und dem, was ich habe, besteht.

Ich frage nicht nach einem Buch oder einer Website, aber wie kann ich genug von diesen Themen lernen, um ein gründliches Verständnis der Algorithmen zu erhalten, die sie verwenden? Müssen Sie ein Buch durchgehen und Hunderte von Übungen machen? Oder ist das übertrieben in diesem Sinne?

Bearbeiten: Wenn dies der falsche Ort für diese Frage ist, stimmen Sie ab, um zu migrieren :)

Viele der Bücher und die Online-Einführungen in das maschinelle Lernen bieten eine Einführung in die benötigte Wahrscheinlichkeit innerhalb ihres Inhalts, daher würde ich mit einem oder mehreren Büchern dieser Art beginnen. Aus dem Kopf kann ich an die statistische Mustererkennung (möglicherweise, weil ich dort EM gelernt habe) und an die Elemente des statistischen Lernens denken .

Mein wirklicher Rat wäre das Statistical Data Mining Tutorials von Andrew Moore. Dies war der Ort, an dem ich die Lücke geschlossen habe, bevor ich meine Promotion begonnen habe (mit einem technischen Hintergrund). Ich weiß, dass Sie gesagt haben, Sie fragen nicht nach einer Website, aber werfen Sie einen Blick auf die Wahrscheinlichkeit für Data Miner und die anderen Wahrscheinlichkeitsfolien, bevor Sie sich entscheiden. Und werfen Sie einen Blick auf die Gaußschen Mischungsmodelle für EM.

Müssen Sie ein Buch durchgehen und Hunderte von Übungen machen?

Ich glaube nicht. Wahrscheinlichkeitsberechnungen beim maschinellen Lernen konzentrieren sich in der Regel auf einige bekannte Pfade. Wenn Sie die ein- und mehrdimensionale Gaußsche Verteilung gut verstehen und ein paar Erklärungen zu EM studieren, sollten Sie ziemlich weit kommen. Und lineare Algebra. Sie benötigen viel lineare Algebra.

Künstliche Intelligenz hat im letzten Jahrzehnt stark an Bedeutung gewonnen, abhängig von der Entwicklung und Integration von KI in unser tägliches Leben. Die Fortschritte, die die KI bereits gemacht hat, sind erstaunlich, da sie selbstfahrende Autos, medizinische Diagnosen und sogar Wetten auf Menschen bei Strategiespielen wie Go und Schach bietet.

Die Zukunft für AI ist äußerst vielversprechend und es ist nicht weit davon entfernt, unsere eigenen Roboter-Begleiter zu haben. Dies hat viele Entwickler dazu veranlasst, Codes zu schreiben und für AI- und ML-Programme zu entwickeln. Das Erlernen von Algorithmen für KI und ML ist jedoch nicht einfach und erfordert umfangreiche Programmier- und Mathematikkenntnisse.

Die Mathematik spielt eine wichtige Rolle, da sie die Grundlage für die Programmierung dieser beiden Ströme bildet.

Es gibt viele Gründe, warum Mathematik für das maschinelle Lernen wichtig ist. Einige von ihnen sind unten:

Auswahl des richtigen Algorithmus unter Berücksichtigung von Genauigkeit, Trainingszeit, Modellkomplexität, Anzahl der Parameter und Anzahl der Funktionen. Auswahl von Parametereinstellungen und Validierungsstrategien. Erkennen von Unter- und Überanpassungen durch Verstehen des Kompromisses zwischen Abweichungen und Abweichungen. Abschätzung des richtigen Konfidenzintervalls und der Unsicherheit.

Welche Art von Mathematik ist für maschinelles Lernen erforderlich?

Mathematik ist für das Studium des maschinellen Lernens oder der künstlichen Intelligenz unbedingt erforderlich. Für ein tieferes Verständnis der Konzepte und Algorithmen in ML sind einige Grundkenntnisse in Mathematik erforderlich.

Drei mathematische Haupttheorien: Lineare Algebra, Multivariate Analysis und Wahrscheinlichkeitstheorie.

Lineare Algebra -

Die lineare Algebra-Notation wird im maschinellen Lernen verwendet, um die Parameter und die Struktur verschiedener Algorithmen für das maschinelle Lernen zu beschreiben. Dies macht die lineare Algebra zu einer Notwendigkeit zu verstehen, wie neuronale Netze zusammengesetzt sind und wie sie funktionieren.

Es behandelt Themen wie:

Skalare, Vektoren, Matrizen, Tensoren Matrixnormen Spezielle Matrizen und Vektoren Eigenwerte und Eigenvektoren Multivariate Analysis -

Dies wird verwendet, um den Lernteil des maschinellen Lernens zu ergänzen. Es wird verwendet, um aus Beispielen zu lernen, die Parameter verschiedener Modelle zu aktualisieren und die Leistung zu verbessern.

Es behandelt Themen wie:

Derivate Integrale Gradienten Differentialoperatoren Konvexe Optimierung Wahrscheinlichkeitstheorie -

Die Theorien werden verwendet, um Annahmen über die zugrunde liegenden Daten zu treffen, wenn wir diese Deep-Learning- oder AI-Algorithmen entwerfen. Es ist wichtig für uns, die wichtigsten Wahrscheinlichkeitsverteilungen zu verstehen,

Es behandelt Themen wie:

Elemente der Wahrscheinlichkeit Zufallsvariablen Verteilungen Varianz und Erwartung Spezielle Zufallsvariablen Wie lerne ich Mathematik für maschinelles Lernen schnell?

Der erste Weg, um Mathematik für Data Science zu lernen, besteht darin, „Scheiße zu machen“. Trotzdem sollten Sie die zugrunde liegende Theorie von vornherein lernen oder überprüfen. Sie müssen nicht ein ganzes Lehrbuch lesen, aber Sie möchten zuerst die wichtigsten Konzepte lernen.

Als weiche Voraussetzungen gehe ich von einer grundlegenden Bequemlichkeit mit linearer Algebra / Matrix-Berechnung (damit Sie nicht an der Notation hängen bleiben) und der Einführungswahrscheinlichkeit aus.

Wenn Sie Mathematik für das maschinelle Lernen intensiv lernen möchten, gibt es online nicht viele Kurse, wie zum Beispiel:

Lineare Algebra, Wahrscheinlichkeitsrechnung und Statistik, Multivariablenrechnung und Optimierung der Khan Academy.

Mathematische Grundlage für maschinelles Lernen und KI unter eduonix

Lernen Sie auf udemy Machine Learning Maths Behind

Kodierung der Matrix: Lineare Algebra durch Anwendungen der Informatik von Philip Klein, Brown University.

Larry Wassermans Buch - Alle Statistiken: Ein prägnanter Kurs in statistischer Inferenz.

Denken Sie daran, dass Sie am besten dadurch lernen, und leider enthalten diese Kurse nicht genügend Aufgaben und Hausaufgaben

Was ich empfehle ist, Mathematische Grundlagen für maschinelles Lernen und KI - Dieser Kurs ist kein vollständiger Mathematiklehrplan. Es ist nicht als Ersatz für die Mathematikausbildung an Schulen oder Hochschulen gedacht. Stattdessen konzentriert es sich auf die wichtigsten mathematischen Konzepte, auf die Sie in Studien zum maschinellen Lernen stoßen werden.

Was Sie lernen werden:

Und vieles mehr……

Am Ende dieses Kurses haben Sie nicht nur das Wissen, um Ihre eigenen Algorithmen zu erstellen, sondern auch die Gewissheit, Ihre Algorithmen tatsächlich für Ihre nächsten Projekte einzusetzen.

Der Kurs enthält auch Projekte und Tests, mit denen Sie Ihre Kenntnisse der mathematischen Konzepte vertiefen können.

Es soll die Lücken für Schüler schließen, die diese Schlüsselbegriffe im Rahmen ihrer formalen Ausbildung verpasst haben oder nach einer langen Pause vom Mathematikstudium ihre Erinnerungen auffrischen müssen.

Ich denke, dieser Kurs ist viel besser, als 2 bis 3 Monate zu Beginn durch das Material zu blättern und dann die Hälfte dessen zu vergessen, was Sie gelernt haben, als Sie darauf stoßen.

Versuchen Sie die gezeigten Grundkonzepte zu verstehen und denken Sie immer daran, Spaß zu haben!