¿Qué matemáticas se necesitan para este curso de aprendizaje automático?

Los siguientes son los temas matemáticos importantes y utilizados para el aprendizaje automático. First Need Math Foundation y

Cálculo

• Conviértete en un maestro de cálculo 1
• Conviértete en un maestro de cálculo 2
• Conviértete en un maestro de cálculo 3

Álgebra

• Álgebra 1, 2 y 3: curso de nivel intermedio y universitario
• Aprende álgebra rápidamente
• Álgebra Principiante: Construyendo una Fundación

Probabilidad y Estadística

• Taller de probabilidad y estadística
• Aprenda probabilidad y estadística de una manera fácil

Si quieres aprender ML, también necesitas aprender lenguajes de programación Python y R. Es fácil aprender Ml a través de cursos en línea, así que mejor intenta aprender de ellos. También puedo sugerirle los mejores cursos en línea de Machine Learning

• El curso completo de aprendizaje automático con Python
• Entrenamiento de certificación avanzada de aprendizaje automático en Simplilearn

Elige los primeros cursos ..

De este curso puedes aprender sobre:

Pasará de principiante a nivel extremadamente alto y su instructor construirá cada algoritmo con usted paso a paso en la pantalla.

Al final del curso, habrá entrenado algoritmos de aprendizaje automático para clasificar flores, predecir el precio de la vivienda, identificar letras o dígitos, identificar al personal que tiene más probabilidades de irse prematuramente, ¡detectar células cancerosas y mucho más!

Dentro del curso, aprenderá a:

• Configure un entorno de desarrollo de Python correctamente
• Obtenga conjuntos completos de herramientas de aprendizaje automático para abordar la mayoría de los problemas del mundo real
• Comprenda las diversas métricas de rendimiento de regresión, clasificación y otros algoritmos ml, como R-cuadrado, MSE, precisión, matriz de confusión, previsión, recuperación, etc. y cuándo usarlos.
• Combina múltiples modelos con embolsado, refuerzo o apilamiento
• Utilice los algoritmos de aprendizaje automático (ML) no supervisados, como la agrupación jerárquica, la agrupación k-means, etc. para comprender sus datos
• Desarrollar en notebook Jupyter (IPython), Spyder y varios IDE
• Comuníquese visual y efectivamente con Matplotlib y Seaborn
• Diseñe nuevas funciones para mejorar las predicciones de algoritmos
• Utilice la validación cruzada de tren / prueba, K-fold y K-fold estratificado para seleccionar el modelo correcto y predecir el rendimiento del modelo con datos no vistos
• Use SVM para el reconocimiento de escritura y problemas de clasificación en general
• Utilice los árboles de decisión para predecir la deserción del personal.
• Aplicar la regla de asociación a conjuntos de datos de compras minoristas

No se requiere aprendizaje automático. Aunque tener algo de experiencia básica en Python sería útil, no se necesitan conocimientos previos de Python, ya que se proporcionarán todos los códigos y el instructor los revisará línea por línea y obtendrá un soporte amigable en el área de preguntas y respuestas.

Y también..

• Los ingenieros de Machine Learning ganan en promedio $ 166,000 – ¡conviértase en un candidato ideal con este curso!
• Resuelva cualquier problema en su negocio, trabajo o vida personal con potentes modelos de Machine Learning
• Capacite algoritmos de aprendizaje automático para predecir los precios de la vivienda, identificar la escritura a mano, detectar células cancerosas y más
• Vaya de cero a héroe en Python, Seaborn, Matplotlib, Scikit-Learn, SVM, Machine Learning sin supervisión, etc.

Cursos adicionales:

• Machine Learning por Andrew NG- Universidad de Stanford

TODO LO MEJOR…

el aprendizaje automático es una combinación de matemática y ciencia de datos y depende de las aspiraciones matemáticas.

Se están realizando investigaciones en fórmulas matemáticas y avances teóricos del aprendizaje automático y algunos investigadores están trabajando en técnicas más avanzadas.

Los temas matemáticos importantes necesarios para el aprendizaje automático son:

1. álgebra

2. probabilidad

3. estadísticas

4. cálculo

Hay muchas otras cosas que puede saber sobre este aprendizaje automático. En primer lugar, puede ingresar a algunos cursos en línea que lo ayudan a guiar el aprendizaje automático, es bueno para la comprensión básica de algunos de los conceptos matemáticos fundamentales.

Te sugeriré los mejores cursos en línea que te ayudan a:

Los mejores cursos en línea de aprendizaje automático:

Machine Learning AZ ™: Python práctico y R en ciencia de datos

Aquí puedes aprender

Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos 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.

CURSOS ADICIONALES DE ML:

• · Python for Data Science y Machine Learning Bootcamp
• Bootcamp de ciencia de datos y aprendizaje automático con R

También puede referirse a través de libros:

Los libros recomendados para el aprendizaje automático son (solo con fines de referencia)

· Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes por Aurélien Géron

· Aprendizaje automático para principiantes absolutos: una introducción en inglés sencillo por Oliver Theobald

TODO LO MEJOR……..

Si trata el aprendizaje automático como SQL y se olvida de las matemáticas subyacentes, aún puede usar ML algos como K-Means, regresión lineal, regresión logística, SVC / R e incluso redes neuronales hasta cierto punto.

Sin embargo, si realmente desea ajustar estos y comprender ML algos para mejorar el rendimiento de su modelo, al menos debe tener los siguientes conocimientos matemáticos:

1. Estadísticas: prueba de hipótesis, máxima verosimilitud, expectativa, teoría de la probabilidad, valor p, prueba t
2. Probabilidad: si bien este es un subconjunto de Estadísticas, pero debido a su importancia, lo he mencionado por separado. Probabilidad bayesiana y cómo funciona. Diversas funciones de distribución como Binomial, Multinomial, Beta, Dirichlet, etc.
3. Cálculo: derivados e integrales. Los derivados parciales son muy importantes. Uno de los métodos de optimización más frecuentes que encontrará al comenzar con ML es Gradient Decent, que utiliza derivados ampliamente.
4. Álgebra lineal: la mayoría de los algos de PNL recientes representan palabras como vectores de palabras y utilizan conceptos de LA para procesarlas. SVD y PCA son dos conceptos más importantes que verá que se repiten con mayor frecuencia. La familiaridad con los conceptos de operaciones Matrix, Space, group, sets será muy útil.

Con estos, uno debería ser capaz de dar sentido a los diversos algos encontrados al comenzar. Una vez que te gradúes a Deep Learning, la idea de tensores y convoluciones será muy útil.

El aprendizaje automático es un campo de la informática que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente. y se basa en matemáticas, algoritmos y programación.

Conceptos matemáticos principales para el aprendizaje automático

1. álgebra

2. probabilidad y estadísticas

3. cálculo

Datos de bonificación [ puede omitir los datos a continuación, pero los datos a continuación son informativos ]

Estos son los conceptos principales, necesita perfeccionar en estas áreas, luego puede comenzar a programar lenguajes como R , PYTHON y ALGORITHMS

Entonces puede comenzar a aprender Machine Learning.

Puedo sugerirle los mejores cursos en línea de aprendizaje automático

• Machine Learning AZ ™: Python práctico y R en ciencia de datos
• Bootcamp de ciencia de datos y aprendizaje automático con R
• Aprendizaje automático para ciencia de datos

elige el primer plato …

DE ESTE CURSO PUEDE APRENDER SOBRE:

Este curso es divertido y emocionante, pero al mismo tiempo nos sumergimos 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

Y…

• 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.

LIBROS DE TEXTO SUGERIDOS:

• Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes por Aurélien Géron
• scikit-learn, aMachine Learning for Absolute Beginners: A Plain English Introduction por Oliver Theobald
• Python Machine Learning: Machine Learning y Deep Learning con Python, nd TensorFlow, 2da edición por Sebastian Raschka y Vahid Mirjalili

TODO LO MEJOR…..

El aprendizaje automático es un campo de la informática que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente. Las matemáticas juegan un papel vital en el aprendizaje automático.

Conceptos básicos de matemáticas para el aprendizaje automático:

Cálculo, álgebra, probabilidad, estadística.

necesitas aprender estos conceptos matemáticos de tus libros escolares o puedes aprender en línea

Te puedo sugerir los mejores recursos en línea.

Fundación Básica de Matemáticas: –

• Perfecciona tus fundamentos matemáticos
• Matemáticas 101: Construyendo una base sólida

Los mejores cursos en línea de cálculo: –

• Conviértete en un maestro de cálculo 1
• Conviértete en un maestro de cálculo 2
• Conviértete en un maestro de cálculo 3

Los mejores cursos en línea de probabilidad y estadística: –

Taller de probabilidad y estadística

Los mejores cursos en línea de álgebra: –

• Conviértete en un maestro de álgebra
• Álgebra 1, 2 y 3: curso de nivel intermedio y universitario
• Álgebra lineal para principiantes: puertas abiertas a grandes carreras

TODO LO MEJOR….

En primer lugar, permítanme enumerar las razones por las cuales se requieren las matemáticas en el aprendizaje automático:
→ Para seleccionar el algoritmo correcto que incluye consideraciones sobre la precisión, el tiempo de entrenamiento, la complejidad del modelo, la cantidad de parámetros y la cantidad de características.
→ Para elegir configuraciones de parámetros y estrategias de validación.
→ Identificar el subajuste y el sobreajuste mediante la comprensión del equilibrio de sesgo-varianza.
→ Y para estimar el intervalo de confianza y la incertidumbre correctos.

La pregunta principal cuando se trata de comprender un campo interdisciplinario como el aprendizaje automático es la cantidad de matemáticas necesarias y el nivel de matemáticas necesario para comprender estas técnicas. La respuesta a esta pregunta es multidimensional y depende del nivel e interés del individuo. Necesitará saber Álgebra lineal a través de vectores propios si desea que las cosas sean cómodas y fáciles. También una buena base estadística con fuerte énfasis en Regresión, Agrupación y Teorema de Bayes. Saber algo sobre gradientes es una ventaja. Como con cualquier CS, la teoría de grafos también es útil.

Obviamente, el curso se puede tomar solo con los requisitos previos más básicos, pero de todos modos recomendaría una comprensión profunda del material subyacente.

Para ser honesto, no me preocuparía mucho por las matemáticas al tomar el curso de introducción. Si yo fuera usted, comenzaría con eso, trataría de comprender el panorama general y repasaría temas específicos de matemáticas a medida que surjan a lo largo del curso. Diría que, en el peor de los casos, pasaría 1 a 2 días en álgebra, cálculo, elementos básicos de álgebra lineal (por ejemplo, a través de KhanAcademy o algo así) cuando sea necesario y puede progresar con el curso después de esa breve desviación. Sin embargo, después del curso, puede estar motivado a profundizar en temas particulares como la teoría de la probabilidad y la teoría de la optimización más profundamente al tomar cursos específicos / leer libros específicos. Para un curso de principiante, no me preocuparía por eso por ahora 😉

PD: Si es útil, he compilado algunos recursos que pueden servir como una descripción general rápida / introducción sobre los temas relevantes:

Notación matemática: https://sebastianraschka.com/pdf …

Conceptos básicos de álgebra: https://sebastianraschka.com/pdf …

Primer de cálculo y diferenciación: https://sebastianraschka.com/pdf …

A2A. La informática ha madurado lo suficiente como para tener todos los requisitos previos de la teoría de la informática (una antigua rama de las matemáticas) para el aprendizaje automático. Si observa los programas de estudio, encontrará revisiones para las matemáticas necesarias, por ejemplo, Aprendizaje automático | Curso de currículum actual.

Para aquellos realmente interesantes en Deep Learning | Coursera, puedes ver los cinco cursos del programa.

Si está buscando la preparación habitual para ML, vea Dominar cursos de matemáticas de división inferior, especialmente para especializaciones en ciencias de la computación y Cómo obtener un equivalente de una especialización en CS utilizando MOOC. En mi opinión, el material de criterio es Estructuras de datos y algoritmos | Coursera y Algoritmos | Coursera que son cursos de informática.

El aprendizaje automático es uno de los campos más finos y futuros que está bajo el paraguas de la inteligencia artificial. Además, una vez que tenga experiencia en Machine Learning (ML), lo encontrará realmente interesante y emocionante.

Para comenzar con el aprendizaje automático, debe conocer algunos conceptos básicos, que se enumeran a continuación:

Matemáticas: necesitas ser bueno en esto. No del todo, pero lo básico debe ser muy claro. Como ML implica muchas matemáticas. Los modelos de ML que se desarrollan, que están hechos para aprender en tiempo real, se expresan en términos matemáticos y, por lo tanto, debe seguir aprendiendo los conceptos básicos de las matemáticas.

Este básico debe cubrir los temas:

1. Álgebra lineal
2. Estadística
3. Cálculo
4. Probabilidad y técnicas de optimización

Estos son los conceptos matemáticos básicos que debe comprender antes de comenzar con el aprendizaje automático. Una vez que esté bien versado en los conceptos básicos y pocas técnicas de ML, puede seguir adelante con técnicas y algoritmos complejos para construir modelos de ML más complejos.

También puede consultar esto: AI, ML y tecnologías relacionadas para obtener más información

Espero que esto lo ayude a obtener información sobre las habilidades matemáticas básicas que se requieren antes de comenzar con el aprendizaje automático.

¡Gracias!

Puede que esta no sea la respuesta que está buscando, pero si está interesado en algo diferente, aquí hay un motor de ML que no se basa en algoritmos matemáticos: la Máquina de aprendizaje Ryskamp (RLM) [1]. Es un proyecto de código abierto que utiliza algoritmos lógicos en lugar de matemáticos. Tenemos una amplia documentación [2] para que pueda comenzar a utilizarla de inmediato.

Lea primero la licencia [3] para conocer las limitaciones de su uso.

Notas al pie

[1] useAIble ™

[2] usable / RyskampLearningMachine

[3] utilizable / RyskampLearningMachine

Puedes hacerlo bien con las matemáticas de nivel universitario.

En mis experiencias, la parte más importante es la teoría de la probabilidad. No tiene que ser un experto en el aspecto matemático puro del tema, es decir, la teoría de la medida y demás, pero debe conocer los conceptos básicos.

Específicamente, si está interesado en las redes neuronales (que es un tema pequeño pero candente del aprendizaje automático), también desea conocer un poco de cálculo multivariable y un poco de álgebra lineal además de eso. Realmente no encuentro el álgebra lineal más importante que el cálculo multivariable en este tema.

Antes de inscribirse en cualquier MooC en línea, asegúrese de repasar sus estadísticas y probabilidad. Muchos de los cursos en línea para aprender ML los requieren como requisito previo. Además, la ciencia de datos es una parte bastante importante de ML donde se espera un conocimiento suficiente de estos temas. Aunque si desea comprender todos los aspectos de ML y todo el modelo matemático detrás de los algoritmos, debe ser muy competente en matemáticas. Un libro probablemente te ayudará mejor en ese caso.

Depende del tipo de aprendizaje automático.

Generalmente: funciones, especialmente distribuciones, como distribuciones de probabilidad.
Para la mayoría de los métodos (con datos reales) – Estadísticas.
Para redes neuronales: regla de la cadena.
Para inferencia bayesiana: teorema de Bayes.
Para implementación: álgebra lineal y optimización.

También se necesitan muchos otros tipos de matemáticas, pero en menor grado. Pero supongo que puedes llegar bastante lejos con las matemáticas sólidas de la escuela secundaria, pero a menudo comprender realmente los conceptos correctamente requiere matemáticas de nivel universitario en un campo técnico.

Estoy escribiendo esta respuesta asumiendo que usted está realmente interesado en ML.

Aclaremos esto, los MOOC no son buenos para el aprendizaje automático. Para una comprensión completa de los algoritmos de ML y las matemáticas detrás de esto, debe consultar los libros de texto estándar.

Los mejores:

1. Introducción al aprendizaje estadístico
2. Reconocimiento de patrones y aprendizaje automático
3. Aprendizaje automático una perspectiva probabilitista
4. Razonamiento bayesiano y aprendizaje automático

Si lo está aprendiendo solo para conseguir un trabajo, deberían hacerlo 2 o 3 cursos en línea.

Depende de lo que esté haciendo con los algoritmos. Si simplemente está analizando datos con algoritmos comunes (regresión aumentada, bosque aleatorio …), una comprensión básica de cálculo, álgebra lineal y estadística puede ayudarlo a resolver problemas si algo sale mal con el análisis. Esto es similar a lo que uno aprendería en matemáticas menores para estudios de pregrado. Si está aplicando algoritmos más sofisticados (como aprendizaje profundo, simulaciones o métodos de datos topológicos) o está desarrollando nuevos algoritmos, se necesita una comprensión de la topología / análisis real, análisis numérico y estadística más avanzada / teoría de la probabilidad (comprender documentos, derivar nuevos métodos …) Es más probable que esto se aprenda en un programa tipo MS / PhD.

Amigo relajate. Dice matemáticas de secundaria. Eso generalmente significa solo álgebra o cálculo. Ahora, el cálculo aparece en el aprendizaje automático, pero generalmente no en cursos prácticos como este. Entonces nos quedamos con álgebra. Eso es probablemente todo lo que necesitas saber.

Sí, el curso cubre algunos temas de probabilidad serios, pero se les enseñará esos. ¡Incluso te enseñan cuál es la media, la mediana y la moda! No se espera que ya haya dominado la probabilidad. Estás tomando este curso por una razón, ¿verdad?

Buena suerte y no te acobardes.

Álgebra lineal

Probabilidades y estadísticas

Cálculo

Los temas anteriores son obligatorios.

Curso de IA aplicada: es una gran plataforma para los cursos en línea de Machine Learning, es el mejor curso de aprendizaje automático en línea. Donde puedes aprender todos esos conceptos sin saber nada. Enseñan todo desde cero.

E incluso enseñan la programación de Python desde lo básico.

Recientemente lanzaron un taller en línea sobre el motor de recomendación de Amazon sin costo. Use el siguiente código de cupón para obtener acceso gratuito. AAIC @ FB100.

Una breve lista de lectura: estadísticas simples (variables descriptivas, media, varianza, desviación estándar, probabilidades normales, pruebas estadísticas), un poco de álgebra lineal, ya que puede estar trabajando mucho con matrices y algo de teoría de gráficos (también conocida como red teoría) ya que este es un hilo emergente pero importante en el campo.

Asegúrate de ser completamente exhaustivo con los conceptos básicos de álgebra lineal y teoría de la probabilidad.

Para Álgebra lineal, sugeriría este curso del profesor Gilbert Strang en el material de curso MIT Open.

También puede encontrar los conceptos básicos de las matemáticas en Deep Learning.