¿Cuáles son algunos algoritmos de aprendizaje automático que puedo aprender sin cálculo?

Cálculo … la verdad sea dicha: el cálculo puede ser difícil. Pero si desea aplicar algoritmos de aprendizaje automático para la resolución de problemas, no necesariamente necesita ser tan competente en cálculo multivariado y teoría de optimización para comprender los algoritmos de ML en general. Por ejemplo, la regresión logística es una tarea que podría abordarse calculando un gradiente de una función de costo convexo para encontrar los parámetros o pesos que minimizan esta función de costo dado un cierto conjunto de capacitación. El degradado decente es uno de los muchos algoritmos que se pueden usar para esta tarea, pero hay muchos otros … a lo que estoy tratando de llegar es que minimizar una función de costo convexo, por ejemplo, es solo parte del problema: usted no ‘ No es necesario que sepa cómo hacerlo en detalle como un profesional que quiere comprender y utilizar la regresión logística. Comprender qué es un modelo lineal generalizado, qué hace en el sentido general y qué no puede hacer es más importante que los detalles técnicos de diferentes algoritmos de optimización para optimizar una función de costo convexo.

Sin embargo, si está interesado en algoritmos de ML que no necesariamente dependen del cálculo, eche un vistazo a los clasificadores de vecinos K más cercanos, que clasifican las muestras comparándolas con sus vecinos más cercanos en el conjunto de entrenamiento (por ejemplo, medido a través de la distancia euclidiana) . Además, en los árboles de decisión clásicos, los bosques aleatorios, etc., no necesita calcular ninguna derivada (parcial).

AlgoritmosAprendizaje automáticoaprendizaje automático de aprendizajeClasificación

¿Cuál es la mejor manera de manejar un modelo multitarea si las etiquetas de datos de capacitación tienen NA, es decir, no se analizaron todas las muestras para todas las tareas?

¿Cuál es la diferencia entre la función de pérdida y la función de activación?

¿Es necesario aprender Python para seguir la especialización en cursos de Machine Learning, de Coursera?

Cómo predecir las ventas del próximo año, nivel de día, dada la información de ventas de años anteriores, también a nivel de día, y mediante el uso de Kalman Filtering

¿Cuál es el punto de probar los datos en k-fold cross validation?

¿Existe alguna medida estadística que demuestre que un clasificador Neural Net con una precisión del 96% en un conjunto de datos de N ejemplos proporcionará una precisión similar en el mundo real?

El aprendizaje automático moderno (ML) requiere que conozca el cálculo, especialmente el cálculo diferencial, porque muchos algoritmos de ML se basan en la optimización de gradiente, lo que significa que debe comprender al menos lo que significa optimizar los parámetros en un sistema de ML utilizando algoritmos decentes de gradiente, especialmente el gradiente estocástico algoritmo de descenso (SGD). Esto se debe a que muchos de los problemas modernos son grandes y los estudiantes flojos, como los clasificadores vecinos más cercanos, no pueden manejar los grandes datos disponibles, ya que su eficiencia disminuye drásticamente con el aumento de los datos de capacitación.

Por lo tanto, mi consejo es que aprendas cálculo porque es importante en ML.

Las máquinas de vectores de soporte (SVM) se pueden aprender sin el conocimiento de la diferenciación, pero una interpretación más moderna es considerarlas como un problema de minimización de la función de pérdida de bisagra regularizada, que generalmente se hace usando el algoritmo SGD. En tal caso, los subdegradados de la función de pérdida de bisagra se calculan para que los algoritmos de descenso de gradiente puedan funcionar, por lo que el conocimiento del cálculo diferencial es importante en tal caso.

También tiene una codificación escasa que puede o no aplicar cálculo diferencial. Tiene análisis de componentes principales (PCA), K-SVD (que es una generalización de la agrupación de k-medias), agrupación jerárquica del vecino recíproco más cercano y muchos más, como los bosques de decisión que se pueden aprender sin el conocimiento de la diferenciación.

Pero los más exitosos requieren que conozcas el cálculo y otros temas matemáticos como las estadísticas y el álgebra lineal.

Espero que esto ayude

Chomba Bupe

El cálculo no es un requisito previo para aprender muchos algoritmos de ML como KNN, Naive Bayes, Decsion Trees, Random Forest, boosting, etc. y métodos similares. Sin embargo, si desea seguir la ruta de las redes neuronales o el aprendizaje profundo, debe resolver el cálculo porque los algoritmos como la propagación hacia atrás los usan mucho. También el aumento de gradiente y algoritmos similares requerirán conocimientos de cálculo.

Bob Kibo

Depende de lo que quieras decir con “aprender”.

Si solo quiere aprender / usar Machine Learning (ML) como un cuadro negro, entonces todos los diferentes algoritmos de ML están disponibles. Aunque probablemente necesite aprender álgebra lineal para algunos / muchos / la mayoría de ML.

PERO … si quieres entender cómo funciona un algoritmo de ML, esa es una pregunta totalmente diferente.

Es como aprender a conducir frente a aprender cómo funciona un automóvil. La mayoría de nosotros no puede molestarse con lo posterior, ya que solo queremos llegar del punto A al punto B.

Bob Kibo

Puede aplicar el vecino más cercano, y funciona sorprendentemente bien en muchos casos.
algoritmo de vecinos k más cercanos – Wikipedia

Chomba Bupe

Algoritmo relacionado con algunos árboles.