Si. Por supuesto, como persona de matemáticas, ¡le recomiendo que primero reciba tratamiento para su miedo irracional! 🙂
Machine Learning tiene muchos algoritmos que no son intensivos en matemáticas. La ‘teoría’ detrás del algoritmo puede tener más matemática que aplicarla. Considere el análisis bayesiano. Aplicación bastante rigurosa del Teorema de Bayes de Probabilidad y Estadística, pero no necesita saber que el Teorema de Bayes se usa para determinar la probabilidad del Evento A dado el Teorema del Evento B. Bayes – Wikipedia
Sin embargo, para obtener buenos resultados, deberá comprender las entradas y salidas de algoritmos, los parámetros y los umbrales. Eche un vistazo a rapidminer para una manera fácil de jugar con el aprendizaje automático. Al jugar con sus ejemplos, verá el desafío de determinar la configuración correcta de los parámetros.
- ¿Cuál es la intuición para SVM-Rank y cuándo debo usarla?
- ¿Cuál es la diferencia entre extracción de información y recuperación de información?
- ¿Es fácil entrenar un modelo de red neuronal profunda desde cero usando Keras?
- ¿Qué es un uso subestimado del aprendizaje automático?
- ¿Cómo se eligieron las palabras sesgo y varianza (Machine Learning)?
Un punto final: los algoritmos de aprendizaje automático son bastante conocidos y compartidos hoy en día. El desafío es obtener datos de buena calidad, comprenderlos y procesarlos correctamente. Si tiene un don para comprender, administrar y conservar datos, puede ser eficaz como programador de aprendizaje automático.
