Könnten Sie mir etwas Klarheit über Data Mining und Algorithmen für künstliche Intelligenz geben? Auf welcher mathematischen Basis haben sie gearbeitet? Können Sie mir einen mathematischen Ansatz geben, um diese Art von Algorithmen zu verstehen?
mathematical-statistics
references
data-mining
algorithms
artificial-intelligence
kjetil b halvorsen
quelle
quelle
Antworten:
Das mag in der Gemeinschaft der Statistiker ein wenig seltsam klingen, aber ich bin mir ziemlich sicher, dass die meisten Algorithmen für maschinelles Lernen als funktionale Minimierungsprobleme formuliert werden können. Das heißt, dies wird mit mathematischer Optimierung abgedeckt .
Die andere Sache ist, dass Sie wahrscheinlich Kalkül und lineare Algebra benötigen , um zu verstehen, was Optimierung ist. Und um Ihre Ergebnisse zu interpretieren, sollten Sie sich mit Wahrscheinlichkeitstheorie und Statistik vertraut machen .
quelle
Diese Frage ist vielleicht zu weit gefasst. Sie sollten etwas mehr darüber sagen, wofür Sie Data Mining verwenden werden. Beim Data Mining handelt es sich jedoch im Wesentlichen um Statistiken, und ein Großteil der Verwendung von KI, die ich gesehen habe, betrifft auch Statistiken. Also, was Sie für die Mathematik brauchen, ist die Mathematik, die Sie für die Statistik brauchen: 1) Analysis und reelle Analyse 2) Wahrscheinlichkeit 3) Lineare Algebra! In der Praxis kann 3) das wichtigste sein, fast alles, was Sie tun werden (einschließlich der Verwendungen von 1) und 2)), werden Sie stark von der linearen Algebra abhängen. Stellen Sie also sicher, dass Sie nicht nur die Konzepte, sondern auch die manipulativen Fähigkeiten kennen!
Es wird viel mehr verwendet, aber vielleicht auch spezialisierter. Es macht also keinen Sinn, detailliertere Ratschläge zu geben, bis Sie Ihre Frage spezialisiert haben (und 1), 2) & 3)) gelernt haben.
quelle
Es scheint eine faire Frage zu sein, welche Mathematik sollte ich als Grundlage für maschinelles Lernen lernen?
Vielleicht ist es die Antwort, die umfassend ist. Denn ML schöpft aus so vielen Disziplinen.
Andere haben vorgeschlagen, lineare Algebra, Wahrscheinlichkeitstheorie, Statistik, metrische Räume und viele andere, die alle relevant sind.
Möglicherweise besteht ein praktikabler Ansatz darin, einige der beliebtesten ML-Algorithmen aufzulisten, sie sich anzusehen und die Mathematik auszufüllen, mit der Sie sich weniger vertraut fühlen.
quelle