Makine Öğrenmesi İçin Gerekli Matematiği Nasıl Öğrenebilirim ?

Makine Öğrenmesi İçin Gerekli Matematiği Nasıl Öğrenebilirim ?

 

AI / ML mühendisi olmak için, ML'in  matematiksel temelleri tam bir kavrayışına  sahip olmanız, internetten üretebilmeniz mümkündür. Temel matematiksel beceriler : 

 

-Lineer Cebir,

-Matris Cebiri,

-Olasılık ve bazı temel Matematiktir.

 

Lineer Cebir :

 

Lineer Cebir Öğrenmek Için en iyi kaynak  Prof. Gilbert Strang'ın Lineer Cebir kitabı / kursu  . Video Dersleri | Doğrusal Cebir | Matematik | MIT OpenCourseWare  (MIT OCW). 34 ders var ve bana inandı, tamamlandıktan sonra, buna değer, lineer cebir senin için daha fazla sorun oluşturmamalı. Ustalık kazanmak için kullanılabilir alıştırmalar / sınavlar.

 

Matris Cebiri:

 

Matris cebiri, derin öğrenmenin önemli bir parçasıdır. (  Şahin tavsiyesi, Matrix Yemek Kitabı, Kaare Brandt Petersen ve Michael Syskind Pedersen  ):  http://www2.imm.dtu.dk/pubdb/vie ...  (PDF). 66 sayfalık saf matris akımlar ve bu, bir araştırmamacının oluşturulmuş halidir.

 

Olasılık ve İstatistik:

 

Olasılığı anlamak, ML'yi anlamada çok önemli bir husustur. Bayes Teoremi, dağılımları, MLE, regresyon, çıkarım ve benzerlerini içerir. Bunun için en iyi kaynak,  Allen Downey  :  http: //greenteapress.com/thinkst ...  (PDF) olmak  Düşünce İstatistikleri (Python'da Keşifsel Veri Analizi  ) 'dir. Bir kitabın bu mutlak mücevheri 264 sayfa uzunluğundadır ve ilgili Python koduyla olası ve tümlerinlerini veriyorum.

 

Optimizasyon:

 

Convex Optimization için go-to-kitap  Stephen Boyd ve Lieven Vandenberghe'den Convex Optimizasyonu  :  https: //web.stanford.edu/~boyd/c ... (PDF). Bu 730 sayfalık bir kitap ve ister tek seferde okumamıza gerek yok. Gereksinimlerinize ve ilginize bağlı olarak öğrenmeniz gerekir. Tam ve son derece iyi yazılmış. Bu kitap EdX'teki CVX 101 MOOC'nin bir parçası olarak sunulmaktadır.

 

Bu 263 sayfalık metaheuristikler kitabı,  Sean Luke  (  http://cs.gmu.edu/~sean/book/met ...  (PDF))  Metaheuristik Temelleri gradyan sistemi optimizasyon, politika optimizasyonu vb. iyi yazılmış. Biri sinirse bunu da seçilebilir.

 

Veri bilimi kavramları görülmektedir. Diğer konular, onlarla karşılaşıldık ve zaman kaynak taraması yaparak öğrenilebilir. Ancak, senaryoların tam olarak anlaşılması, tüm senaryoların% 95'i için yeterli olmaktadır.


 

Ustalık kazanması, kesinlikle matematiksel olarak bir AI / ML mühendisi olacaktır. Şimdi vakfı yön ettin, ayaklarını  araştırma  makalelerine daldırmaya başladı. Bunlar, AI Çalışmaları / Mühendisleri Standartları. Öncelikle, RNN, LSTM, SVM vb. Gibi ünlü AI kağıtlarını bulun ve teknik içeriğe geçin.

 

Jargon'u yanlış anlayabilir misin?

Matematiği yanlış mı?

Artık yeterince fazla kütüphanenin matematiği kodlanması uygulayabilir misiniz?

 

Bunlar cevaplanması gerekiyor. Bu 3 soruya “Evet /  sigara istiyorum” cevabını verdikten sonra, yapıyortum var var.

En gözde kavramları ele alan bu makaleleri okumaya çalışıyorum sonra, ünlü olmayan makaleleri okumaya çalışın. arXiv  her gün çok güzel bir sayfa var. Oldukça bir yazı seçmeye çalışın ve özet ilginç gözüküyor. Ardından, o makaleyi okuyun ve bu 3 soruya cevap cevap çalışın. Aynı şey NIPS, AAAI, AAMAS, IJCAI, ICML vb. Gibi üst düzey AI konferansları ile değiştirilebilir. Veritabanları tam olarak uygulayamayabilecek, ancak 60'ınız bile olsa elinizdeki oranlar% 'sini, daha sonra  eğitiminizi  tamamladığınızı rahatınız.

 

Daha fazla “paket” öğrenmeye konsantre olmayın  . Konsept üzerinde yoğunlaşma. Uygularken, "bu" pakete uygun ve otomatik olarak görünecektir. Rastgele paketlerin uygun komutlarını bulabilirsiniz. Sorunları çözmek için bir ya da bir kağıttan ne anlama geldiğinizi ve kodlamayı geliştirmeniz; Endişelerinizin en azı olacaklar. Bu, matematik ve kodlama arasında “dengeyi” sürdürmenin doğru yoludur. Gereksinim duyuyorsanız, hız, geliştirme ve uygulama becerileriniz için yarışmalara (yarıka kaggle veya konferans yarışmalarına) katılabilirsiniz.

 

Yazı için Biswarup-Bhattacharya teşekkür ederiz.