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).
- ¿Para qué se utiliza el aprendizaje automático?
- ¿Cuál es la desventaja de usar ADVI?
- ¿Cuántas imágenes de entrenamiento deberían usarse para una buena tarea de reconocimiento de género en OpenCV? ¿Hay algún conjunto de datos disponible para esta tarea?
- ¿Qué algoritmo de aprendizaje automático usarías para analizar los datos de los alumnos?
- ¿Qué recursos sobre modelos gráficos se recomiendan para los estudiantes de aprendizaje automático que desean ingresar al campo?