Меня всегда восхищала тема машинного обучения, пока я не решил научиться тому, как это сделать. Таким образом, я прошел курс, предоставленный Стэнфордом, опубликованным в Интернете. Однако я был потрясен количеством математики, которую он содержал. Итак, каков математический фон, который я должен был бы иметь, чтобы понять алгоритмы машинного обучения? Существуют ли библиотеки, которые абстрагируют все математические данные и фокусируются на разработке программного обеспечения, способного к обучению?
Каковы предпосылки для изучения машинного обучения?
Ответ 1
- Линейная алгебра
- Теория вероятностей
- Исчисление
- Исчисление исчисления
- Теория графов
- Методы оптимизации (множители Лагранжа)
Ответ 2
Как и 99% (не цитируйте меня по числу) вопросов, связанных с компьютерной наукой, теоретическая основа машинного обучения часто включает в себя много математики... тем не менее, она не должна быть трудным подобрать некоторые базовые алгоритмы ML даже без глубокого знания исчисления.
Существуют различные библиотеки машинного обучения:
Я бы сказал, что вы должны начать с создания собственного простого алгоритма ML: возможно, Neural Network или Генетический алгоритм. Успешное построение одного из них будет иметь большое значение для вашего понимания... тем более, что с учетом конкретной проблемы вам, возможно, придется немного настроить алгоритм ML. Знание того, как это работает, с самого начала, позволит вам внести любые изменения, которые вы сочтете необходимыми.
Ответ 3
Ответ 4
См. здесь некоторые справочные тексты по компьютерному обучению: http://bumphunting.blogspot.com/2009/07/what-are-good-prequisite-textbooks-for.html
Ответ 5
Вот эпизод .NET Rocks! говоря о механическом обучении и небольшой библиотеке, чтобы играть с
Ответ 6
Линейная алгебра и (базовая) статистика.