La cuestión es que la mayoría de las personas quiere aprender todo de una vez antes de comenzar a aprender el aprendizaje automático (ML), pero en el sentido real, el mejor enfoque, si está aprendiendo por sí mismo, es configurar algún tipo de problema para resolver y aprender a medida que avanza. Establezca una meta para usted, podría ser una meta pequeña pero un poco desafiante, como implementar backprop para un modelo simple de red neuronal (NN) o simplemente hacer una derivación matemática de la misma. De esta manera, el cerebro se involucra y lo que terminas aprendiendo permanece contigo por mucho tiempo.
Por lo tanto, invierta algo de tiempo para configurar mini proyectos / desafíos que lo obligarán a aprender nuevos trucos y conceptos prácticos de ML más importantes junto con las matemáticas involucradas.
Entonces, ¿cómo aprendes las matemáticas para el aprendizaje automático? Necesita estar bien informado en:
- Álgebra lineal
- Probabilidades y estadísticas
- Cálculo
- Optimización numérica
- Programación
El secreto no es obligarse a aprender cada detalle sobre los temas anteriores. Aprenda la descripción general de cada uno de los requisitos previos y luego siga revisando las cosas para obtener más detalles sobre ellos más adelante. No espere hasta que se sienta muy cómodo con los requisitos previos, comience a estudiar los conceptos de ML justo después de los primeros pasos a través de los requisitos previos. La idea aquí es no exagerar nada, así que avance muy rápido, especialmente la primera ejecución, luego, en la segunda ejecución, sea lento pero selectivo de lo que vuelve a visitar. Aquí es donde entran los mini proyectos, use los mini proyectos relativamente interesantes para guiar los estudios.
Todos lo olvidamos después de un tiempo, pero una vez que hagas algo de esta manera, será mucho más fácil para ti recordar simplemente revisando las cosas cuando sea apropiado. También asegúrese de mantener la motivación relajándose de vez en cuando, no se esfuerce demasiado.
Como de costumbre, la práctica es el mejor maestro. Debe sentirse realmente cómodo con los requisitos previos mencionados anteriormente después de un tiempo. Hacer derivados básicos debería ser un paseo por el parque, pero ¿qué pasa si te olvidas? Bueno, simplemente deriva del primer principal como se muestra a continuación, dado:
[matemáticas] y = log (x) [/ matemáticas]
Encuentra [math] \ frac {\ partial y} {\ partial x} [/ math]?
Si olvida, puede derivarlo usando la regla de la cadena y la propiedad de la exponencial natural. Tomar la exponencial natural en ambos lados da:
[matemáticas] e ^ {y} = x [/ matemáticas]
Luego, diferenciar wrt [math] x [/ math] en ambos lados da:
[matemáticas] \ frac {\ partial} {\ partial x} (e ^ {y}) = \ frac {\ partial} {\ partial x} (x) [/ matemáticas]
Aplicando la regla de la cadena da.
[matemáticas] \ frac {\ partial} {\ partial x} () = \ frac {\ partial y} {\ partial x} \ frac {\ partial} {\ partial y} () [/ math]
Entonces
[matemáticas] \ frac {\ partial y} {\ partial x} \ frac {\ partial} {\ partial y} (e ^ {y}) = 1 [/ matemática]
Y sabemos que
[matemática] \ frac {\ parcial} {\ parcial y} (e ^ {y}) = e ^ {y} [/ matemática]
Entonces
[matemática] \ frac {\ parcial y} {\ parcial x} e ^ {y} = 1 [/ matemática]
[matemáticas] \ frac {\ partial y} {\ partial x} = \ frac {1} {e ^ {y}} [/ math]
Recuerde que [matemáticas] e ^ {y} = x [/ matemáticas], luego
[matemáticas] \ frac {\ partial y} {\ partial x} = \ frac {1} {x} [/ matemáticas]
Estas son funciones logarítmicas, muy importantes. La entropía cruzada para el softmax es en realidad una función de registro como.
[matemáticas] l = – \ frac {1} {N} \ sum_ {i = 1} ^ {N} y_ {i} log (s (v) _ {i}) [/ matemáticas]
Dónde
[matemáticas] s (v) _ {i} = \ frac {e ^ {v_ {i}}} {\ sum_ {j = 1} ^ {n} e ^ {v_ {j}}} [/ matemática]
Y [matemáticas] y_ {i} \ en (0,1) [/ matemáticas]
Encontrar la derivada para ello ahora es simple.
Entonces, la premisa de esta discusión es que, aprender por el primer principio, desglosar las cosas y razonar a partir de ahí, derivar conceptos matemáticos importantes cuando se presentan en la literatura. Esto será útil cuando comiences a aprender cosas de aprendizaje automático.
He estado usando esta técnica para todo lo que aprendo, trato de derivar expresiones matemáticas importantes de los modelos dados y trato de explicarlos desde mi propio punto de vista. De esa manera puedo identificar lo que sé y lo que no, luego aprender se vuelve fácil, solo aprende lo que no sé. Esto hace que el proceso de aprendizaje sea como reparar los baches en el camino, al principio es difícil porque hay muchos baches, pero luego se vuelve demasiado fácil, mejora tus desafíos y proyectos a medida que te sientas más y más cómodo.
Pero todos tienen su propio estilo de aprendizaje, así que encuentre lo que funcione para usted. Y usted está buscando en Google lejos de los materiales necesarios para aprender, haga un buen uso de ellos.
Espero que esto ayude.
