¿Puedo comenzar a aprender el aprendizaje automático y el aprendizaje profundo sin repasar primero mis conocimientos de matemáticas?

Tengo buenas noticias y malas noticias para ti 🙂

• Malas noticias, no llegarás lejos en el campo de ML sin aprender matemáticas.
• Buenas noticias, no es necesario que primero aprenda matemáticas y luego aplique ML. Puedes hacer estas cosas en paralelo.

Te recomiendo que aprendas matemáticas desde una perspectiva de herramientas. Recomiendo la siguiente estrategia simple.

1. Comienza a trabajar en tu proyecto de ML. Esto puede ser implementación o lectura en papel.
2. Intente comprender las matemáticas consultando material adicional. Ahora, muchas personas se quedan atrapadas aquí porque no avanzan hasta que comprenden todo por completo. No cometas el mismo error. Leer y releer. Comprenderá el material en lecturas posteriores.

Aquí hay algunos materiales para ayudarlo a mejorar en matemáticas para el aprendizaje profundo. Esto también se aplica al aprendizaje automático en general.

Diseño de modelo y comprensión

Los modelos DL consumen datos y mezclan señales aplicando varias transformaciones de matriz y vector. Por ejemplo, una aplicación de capa densa es una multiplicación Matrix-Vector. Para comprender e implementar rápidamente estos modelos, debe sentirse muy cómodo implementando operaciones matemáticas utilizando transformaciones de matriz. Por ejemplo, mire este documento y cómo están jugando con las matemáticas de matriz y vectores: Atención jerárquica para clasificaciones de documentos.

Entonces, el álgebra lineal básica es muy importante aquí. Partes de este curso del MIT serán realmente útiles.

Ciencias e Ingeniería Computacional I

Lea también la primera parte del libro Deep Learning.

http://www.deeplearningbook.org/ …

Esto le dará suficiente experiencia con la lectura de ecuaciones que involucran matrices y también introducirá algunos conceptos importantes.

Entrenamiento modelo

Las redes neuronales son una composición compleja de funciones. El método más popular para entrenarlos es usar el Descenso de gradiente estocástico. Este método requiere derivada de la función de pérdida wrt los parámetros del modelo. Para comprender el Descenso de gradiente para redes neuronales, debe comprender el algoritmo de propagación hacia atrás.

Cálculo en gráficos computacionales: propagación hacia atrás

Al mismo tiempo, los parámetros del modelo deben inicializarse correctamente para que los gradientes no desaparezcan ni exploten. Esto asegura el aprendizaje adecuado del modelo. Los temas necesarios para comprender la optimización de la red neuronal tienen un rango muy amplio. El contenido del curso MIT y del libro Deep Learning ayudará. Además, lea lo siguiente del libro Deep Learning.

Regularización

Mejoramiento

Cuando leo documentos sobre nuevas funciones y técnicas de activación para entrenar el modelo, me encuentro regularmente con las matemáticas relacionadas con:

• Estadística
• Propiedad de matrices como valores propios, vectores propios, condicionamiento, etc.
• Teoría de probabilidad
• Cálculo integral
• Teoría sobre propiedades de funciones como puntos estables, puntos fijos.

Mi consejo aquí es simple

1. Leer resumen y conclusión de trabajos. Para entender si hace algo útil.
2. Luego lea los detalles e intente comprender las matemáticas.
3. Rellene los huecos leyendo material adicional.

Por ejemplo, en este momento estoy leyendo [1706.02515] Redes neuronales autorreguladoras y tiene muchas matemáticas para las que tuve que consultar otro material.

¿Interesado en el campo del aprendizaje automático? ¡Entonces este curso es para ti!

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Aprenda a crear algoritmos de aprendizaje automático en Python y R con dos expertos en ciencia de datos. Plantillas de código incluidas.

Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos compartir sus conocimientos y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.

Te llevarán paso a paso al mundo del aprendizaje automático. Con cada tutorial, desarrollará nuevas habilidades y mejorará su comprensión de este desafiante pero lucrativo subcampo de la ciencia de datos.

Este curso es divertido y emocionante, pero al mismo tiempo se sumergen profundamente en Machine Learning. Está estructurado de la siguiente manera:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.

¿Quién es el público objetivo?

• Cualquier persona interesada en Machine Learning
• Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Machine Learning
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística, pero que quieran obtener más información al respecto y explorar todos los diferentes campos del aprendizaje automático.
• Cualquier persona que no se sienta cómoda con la codificación pero que esté interesada en el aprendizaje automático y quiera aplicarla fácilmente en los conjuntos de datos.
• Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science.
• Cualquier analista de datos que quiera subir de nivel en Machine Learning.
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Data Scientist.
• Cualquier persona que desee crear valor agregado a su negocio mediante el uso de potentes herramientas de Machine Learning

¿Qué voy a aprender?

• Master Machine Learning en Python & R
• Tener una gran intuición de muchos modelos de Machine Learning
• Hacer predicciones precisas
• Haz un análisis poderoso
• Hacer modelos robustos de aprendizaje automático
• Crea un fuerte valor agregado para tu negocio
• Usar Machine Learning para fines personales
• Manejar temas específicos como el aprendizaje por refuerzo, PNL y aprendizaje profundo
• Manejar técnicas avanzadas como la reducción de dimensionalidad
• Sepa qué modelo de Machine Learning elegir para cada tipo de problema
• Construya un ejército de poderosos modelos de Machine Learning y sepa cómo combinarlos para resolver cualquier problema.

Requisitos

• Solo un nivel de matemáticas de secundaria

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Hay una variedad de recursos en línea. Dado que no da una indicación de su familiaridad, nivel de habilidad o detalles sobre lo que desea construir. Proporcionaré algunos enlaces que encontré útiles.

Doing Data Science: A Kaggle Tutorial Parte 1 – Introducción

Cómo implementar métricas de rendimiento del algoritmo de aprendizaje automático desde cero con Python

Cómo convertirse en un científico de datos: por su cuenta

El primero, Kaggle ofrece tutoriales, concursos, experiencia práctica y una gran cantidad de otros recursos. El segundo es un “Cómo”, utilizando una plataforma e idioma específicos. El tercero es para el bricolaje, autodidacta y hacer que suceda. Los dos últimos son enlaces a Data Science Central.

Hay muchos más No, puedes repasar la habilidad matemática específica a medida que exploras y decidir qué es lo que vas a hacer.

No se puede negar que un título en matemática aplicada no haría daño.

La respuesta simple será No. Esto se debe a que, en el aprendizaje automático, en su mayoría aplica un conjunto de ecuaciones ya disponibles en tutoriales, etc. Lo que significa que memorizarlas / aplicarlas es suficiente para lograr su objetivo.

Pero, tener una base matemática lo ayudará a comprender cómo se derivaron esas ecuaciones, lo que a su vez lo ayudará a optimizar sus modelos a medida que avanza.

La buena noticia es que puedes comenzar a aprender ML sin un conocimiento sólido de matemáticas. Eventualmente aprenderá sobre las ecuaciones y sus aplicaciones. Entonces comenzará a comprender la lógica detrás de cada ecuación / modelo.

Odio ser quien te lo diga, pero si realmente quieres entender estos campos, necesitas tener una sólida formación en matemáticas. Es posible que pueda seguir algún código en los tutoriales para el aprendizaje automático y el aprendizaje profundo, pero es probable que no entienda por qué funciona y tendrá problemas para construir cualquier cosa por su cuenta. Tratar de aprender el aprendizaje automático y el aprendizaje profundo sin ningún conocimiento matemático relevante es muy parecido a tratar de construir su propio sitio web sin experiencia en desarrollo web, seguro que puede obtener algunas plantillas y adaptar la mayor parte del contenido por su cuenta, pero lo hará nunca serás capaz de crear tu propio sitio web.

Desafortunadamente, cuando se trata de comprender verdaderamente el aprendizaje automático y el aprendizaje profundo, no hay atajos reales. Tienes que asegurarte de entender las matemáticas. Te recomendaría que pases algún tiempo construyendo una base sobre esos temas antes de intentar entrar en el aprendizaje automático. Después de todo, nadie intenta construir una casa sin una base.

Sí puede, si selecciona el curso adecuado para usted. Puede tomar el curso a continuación que necesita matemática básica como requisito previo.

¿Interesado en el campo del aprendizaje automático? ¡Entonces este curso es para ti!

Los requisitos para tomar este curso son:

• Solo un nivel de matemáticas de secundaria

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Aprenda a crear algoritmos de aprendizaje automático en Python y R con dos expertos en ciencia de datos. Plantillas de código incluidas.

Este curso ha sido diseñado por dos científicos de datos profesionales para que podamos compartir sus conocimientos y ayudarlo a aprender teoría compleja, algoritmos y bibliotecas de codificación de una manera simple.

Te llevarán paso a paso al mundo del aprendizaje automático. Con cada tutorial, desarrollará nuevas habilidades y mejorará su comprensión de este desafiante pero lucrativo subcampo de la ciencia de datos.

Este curso es divertido y emocionante, pero al mismo tiempo se sumergen profundamente en Machine Learning. Está estructurado de la siguiente manera:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos en vivo. Entonces, no solo aprenderá la teoría, sino que también obtendrá práctica práctica para construir sus propios modelos.

Y como beneficio adicional, este curso incluye plantillas de código Python y R que puede descargar y usar en sus propios proyectos.

¿Quién es el público objetivo?

• Cualquier persona interesada en Machine Learning
• Estudiantes que tienen al menos conocimientos de secundaria en matemáticas y que desean comenzar a aprender Machine Learning
• Cualquier persona de nivel intermedio que conozca los conceptos básicos del aprendizaje automático, incluidos los algoritmos clásicos como la regresión lineal o la regresión logística, pero que quieran obtener más información al respecto y explorar todos los diferentes campos del aprendizaje automático.
• Cualquier persona que no se sienta cómoda con la codificación pero que esté interesada en el aprendizaje automático y quiera aplicarla fácilmente en los conjuntos de datos.
• Cualquier estudiante en la universidad que quiera comenzar una carrera en Data Science.
• Cualquier analista de datos que quiera subir de nivel en Machine Learning.
• Cualquier persona que no esté satisfecha con su trabajo y que quiera convertirse en Data Scientist.
• Cualquier persona que desee crear valor agregado a su negocio mediante el uso de potentes herramientas de Machine Learning

¿Qué voy a aprender?

• Master Machine Learning en Python & R
• Tener una gran intuición de muchos modelos de Machine Learning
• Hacer predicciones precisas
• Haz un análisis poderoso
• Hacer modelos robustos de aprendizaje automático
• Crea un fuerte valor agregado para tu negocio
• Usar Machine Learning para fines personales
• Manejar temas específicos como el aprendizaje por refuerzo, PNL y aprendizaje profundo
• Manejar técnicas avanzadas como la reducción de dimensionalidad
• Sepa qué modelo de Machine Learning elegir para cada tipo de problema
• Construya un ejército de poderosos modelos de Machine Learning y sepa cómo combinarlos para resolver cualquier problema.

Requisitos

• Solo un nivel de matemáticas de secundaria

Enlace al curso: Machine Learning AZ ™: Python práctico y R en ciencia de datos: aprenda a crear algoritmos de aprendizaje automático

Considere los siguientes clasificadores simples:

• Clasificador ingenuo de Baye: debes conocer la teoría de probabilidad,
• Árboles de decisión: debe comprender la ganancia de información, la entropía, etc.
• Regresión logística: necesita saber estadísticas, análisis de regresión

Clasificadores más complejos como SVM, métodos de conjunto potenciado, métodos de aprendizaje profundo requieren un conocimiento más avanzado en matemáticas. Si uno no puede entender los métodos básicos, es difícil ir muy lejos.

Otras lecturas

La respuesta de Shehroz Khan a ¿Cómo aprendo el aprendizaje automático?

¡Bueno! Muchos ingenieros de aprendizaje automático y científicos de datos con experiencia le dirían que su nivel de matemáticas no importa. En una estimación aproximada, el 60% de eso es cierto. ¿Por qué?

Si bien muchos ingenieros de ML están utilizando el algoritmo y las herramientas listas para usar, solo unos pocos entendieron qué y qué hay detrás de dicho algoritmo. Entre esos pocos están los investigadores de los que no escuchas. Trabajan incansablemente para que algunos algoritmos DL / ML funcionen bien y no consuman muchos recursos.

Entonces mi respuesta es esta. Si solo está eligiendo ML para su tarea como ingeniero, entonces no necesita mucho si es matemático. Pero si te estás adentrando en investigación o académicos en ML. Te gustaría aprender algunas matemáticas avanzadas relacionadas con lo que estás trabajando.

Actualmente estoy investigando el agrupamiento Fuzzy. Definitivamente, mi pequeño conocimiento sobre álgebra lineal no puede ayudarme en este caso. Así que espero que entiendas lo esencial.

Perdón por las malas noticias: no necesita un fondo matemático avanzado, pero tendrá que pasar un tiempo en Álgebra lineal, Estadísticas y Cálculo en menor medida. Como mínimo a) mire vectores y matrices antes de abrir un libro de ML b) mire los conceptos básicos de estadísticas.

La mayor parte de la actividad intelectual de aprendizaje automático consiste en transformar diversos datos de entrada, datos, imágenes, sonido, documentos, etc. en una colección de valores para que puedan ser calculados, aprovechando los teoremas de matemáticas y estadísticas. Los cálculos se implementan en algoritmos. Si no comprende el razonamiento, no comprenderá los algoritmos. Y no podrás aprenderlos y usarlos.

Consulte el “Actualización de álgebra” en Andrew Ng Coursera MOOC, que le dará una idea del alcance. Luego Khan Academy o los cursos de introducción gratuitos sobre Udacity …

No llegarás lejos sin las matemáticas, pero puedes repasarlas a medida que avanzas. El cálculo y el álgebra lineal son áreas con las que te encontrarás una y otra vez en el aprendizaje automático y en el aprendizaje profundo. Sugeriría aprender el aprendizaje automático / redes neuronales antes de abordar el aprendizaje profundo, independientemente de sus antecedentes matemáticos.

Aquí hay un buen punto de partida con respecto a los algoritmos que también tienen enlaces a las matemáticas de su desarrollo: https://www.slideshare.net/Colle …

Aquí hay un motor de ML que no requerirá que tenga conocimiento en Cálculo, Álgebra Lineal y Estadística o que tenga ningún otro conocimiento avanzado de matemáticas: la Máquina de Aprendizaje Ryskamp (RLM). Para obtener más información, también puede consultar esta descripción técnica general de RLM.

Si está interesado, puede descargar el código fuente que está alojado en Github o puede obtener RLM a través de Nuget.

¿Te das cuenta de que la ‘teoría’ es principalmente matemática? Puede intentar entrar en él, pero pronto encontrará que sin un fondo matemático decente se sentirá frustrado con el material o no sabrá cómo elegir los algoritmos correctos, cómo implementarlos o cómo evaluar Los resultados que obtienes. Si está tratando de resolver un problema específico, podría tratar de abordarlo y repasar las matemáticas a medida que lo encuentre, pero de una forma u otra no podrá escapar de las matemáticas al hacer el aprendizaje automático.

No, te aconsejaría estrictamente que no lo hicieras. Sentiría que está entendiendo los algoritmos, pero lo que realmente está aprendiendo es lo superficial o la capa superior de ML. Para entrar en las ideas que necesita un fondo matemático.

Además, casi todos quieren entrar en ML e IA en estos días. Entonces, para diferenciarse de la multitud, necesita tener un fuerte control sobre las matemáticas involucradas en el aprendizaje automático.

¡Intenta seguir esto y creo que estarás en el buen camino! 🙂

Respuesta corta porque estoy en mi teléfono móvil: probablemente no estaría de más, pero podrías escapar sin él. Mientras recuerdes la definición de la derivada para el decente gradual, estarás bien

El aprendizaje automático, no muy diferente a la mayoría de las cosas, se puede hacer con las ecuaciones simplificadas y libres de cálculos que alguien más ya ha obtenido. Piensa tomando la densidad de una barra. PODRÍA integrar una serie de proyectiles desde el núcleo de la barra, teniendo en cuenta la densidad variable en una dirección radial, o podría multiplicar la masa por la densidad promedio. Las ecuaciones más fáciles pueden no ser exactas, pero están lo suficientemente cerca.

Sí, dado que ya lo ha tocado una vez, le sugiero que siga este enlace para que pueda aprender Matemáticas con los requisitos previos necesarios para aprender Machine Learning paso a paso. ¡¡Buena suerte!!

Para comprender y popularizar el aprendizaje automático y el aprendizaje profundo, uno puede aprender ML y DL sin conocimientos avanzados de matemáticas.

Hello World – Machine Learning Recipes # 1 y sus videos posteriores son excelentes para entrar en el apasionante campo de ML y DL.

Para aplicar ML o DL, uno necesita una buena comprensión de algunos (no todos) los aspectos de las matemáticas.

Está bien, la experimentación rápida se ha hecho bastante fácil con herramientas como Keras.

Sin embargo, sin las matemáticas, está limitado a aprender qué código escribir para que algo suceda. Si realmente quieres aprender el aprendizaje automático o el aprendizaje profundo, entonces las matemáticas no pueden pasarse por alto.

Descubrirá que si comienza a profundizar en él, desarrollará las habilidades matemáticas necesarias al tratar de comprender los algoritmos.

Somos profesionales de carreras que ofrecen cursos en línea de aprendizaje automático y aprendizaje automático … Puede visitar nuestra página: http://www.teclov.com . Los profesores de IIT’ian, MIT’ian están disponibles para enseñar y también hay grandes ofertas en curso. Debo visitar una vez y puedo asegurar que los temas básicos y avanzados de aprendizaje profundo se cubrirán con escenarios en tiempo real

Yo no diría eso.

Es posible que desee leer mi libro preferido sobre el tema, el libro Deep Learning. Puede encontrar allí los principios matemáticos básicos que necesitaría para seguir el ritmo del asunto.