Kurse für maschinelles Lernen: Mathematik erklärt

7

Ich suche einen Kurs für maschinelles Lernen, der die Mathematik hinter Algorithmen vermittelt, anstatt nur zu lehren, wie man sie anwendet. Ich habe mir Udacity Into to Machine Learning und Andrew Ngs Kurs über Coursera angesehen, und beide scheinen mir zu zutreffend zu sein. Empfehlungen von Lehrbüchern wären ebenfalls sehr willkommen.

GingerBadger
quelle
2
Vielleicht hilft das? nzhiltsov.blogspot.nl/2014/09/… Es enthält auch einen Link zum Webarchiv von MeasurementMeasures.com ( web.archive.org/web/20101102120728/http://measuringmeasures.com/… ), das scheint heutzutage unten zu sein.
Erik van de Ven
4
Wenn Ihnen die Mathematik von Andrew Ng nicht ausreicht, suchen Sie wahrscheinlich nicht die Mathematik des maschinellen Lernens, sondern die des statistischen Lernens, für die ich dieses Buch sehr empfehlen würde .
Digio

Antworten:

5

Als Ergänzung zu @Digio würde ich Abu-Mostafas Learning From Data empfehlen , das genügend statistische Lernmathematik enthält, um Sie zu begeistern und mehr zu wollen.

hongsy
quelle
4

Versuchen Sie, sich eingehender mit einem bestimmten Thema zu befassen. Der Ngs-Kurs kratzt nur an der Oberfläche, andere spezifischere Kurse sind jedoch eher theoretisch / mathematisch.

Bayesianische Netzwerke / Markov-Netzwerke:

Wahrscheinlichkeitsgrafische Modelle sind theoretische Kurse für Fortgeschrittene in Bayes'schen Netzwerken / Markov-Netzwerken. Das Buch ist noch theoretischer. Es ist voller Beweise.

Neuronale Netze:

Neuronale Netze für maschinelles Lernen sind ebenfalls ein eher theoretischer Kurs, da er wirklich tiefgreifend ist. Trotzdem ist es nicht so mathematisch wie der oben erwähnte PGM-Kurs.


Wenn Sie jedoch die Theorie des maschinellen Lernens selbst und nicht die Algorithmen verstehen möchten, können Sie sich für ein Lehrbuch entscheiden. In diesem Fall entscheiden Sie sich für das, was @digio vorgeschlagen hat.

Ferdi
quelle
3

Dieser (archivierte) edX-Kurs für maschinelles Lernen aus Columbia erklärt eine Menge zugrunde liegender Mathematik. Zum Beispiel zeigen sie eine regulierte lineare Regression und eine probabilistische Matrixfaktorisierung aus der Bayes'schen Perspektive (Maximum A Posteriori).

Das Verständnis von maschinellem Lernen ist ein (frei verfügbares) Lehrbuch, das einen Ansatz der rechnergestützten Lerntheorie verfolgt und Ableitungen und Berechnungen / Schätzungen der VC-Dimension von Klassifikatoren enthält.

Jakub Bartczuk
quelle
Ist die gesamte von Ihnen erwähnte Mathematik 2018/2019 noch relevant oder wie hat sie sich geändert? Welche Art von Mathematik sollte ich gerade als Basis für maschinelles Lernen lernen? Ich habe einige Recherchen durchgeführt und das neueste Material dazu, das ich finden kann, stammt aus dem Jahr 2017, und ich weiß, dass ML in der Zwischenzeit gewachsen ist
Oldboy
@ user2230470 Ich würde sagen, dass sich die Mathematik für die meisten maschinellen Lernprozesse in den letzten 10 oder 20 Jahren nicht geändert hat. Ich meine Mathematik für Grundlagen, spezifischere Modelle müssen möglicherweise einige verschiedene Dinge verstehen (zum Beispiel gibt es in generativen Modellen viele harte Mathematik, wie Wasserstein-Distanz in WGANs oder Variationsinferenz in VAE)
Jakub Bartczuk
Hat sich die Popularität von Aktivierungsfunktionen nicht von Sigmoid zu Relu Tho geändert? Ich habe angefangen, lineare Algebra zu lernen. Multivariable Kalkül ist eine andere, die ich gehört habe. Es wäre einfach schön, die verschiedenen Arten von Mathematik zu verstehen, die im Allgemeinen auf dem Gebiet verwendet werden
Oldboy
Ich verstehe nicht, was Aktivierungsfunktionen damit zu tun haben. Sie werden mit wohl High-School-Mathematik definiert.
Jakub Bartczuk
Umfassen die Sigmoid- und ReLU-Funktionen nicht verschiedene Arten von Mathematik?
Oldboy