¿Cuántas matemáticas usas en tu trabajo de aprendizaje automático?

A diferencia de dos encuestados anteriores, no soy especialista en aprendizaje automático. No puedo decirte cuánta matemática se necesita para un trabajo de vanguardia. Pero he estado usando el aprendizaje automático desde la década de 1970 para el trabajo práctico, y mi opinión es que hoy no se necesitan matemáticas para explotarlo de manera efectiva. Hay paquetes fáciles de usar en R (entre otros lugares) que le permiten hacer un trabajo útil sin una comprensión profunda de los algoritmos. Y para los tipos de problemas que abordo, no veo ninguna ventaja en preocuparme por los puntos finos de la elección del algoritmo y la configuración del problema, o tener los últimos y mejores algoritmos.

Estoy seguro de que hay muchos problemas para los que los algoritmos mejorados son útiles, y en los que un experto en aprendizaje automático puede agregar un gran valor. Y la mayoría de las personas que son buenas en el aprendizaje automático saben de hecho una buena cantidad de matemáticas. Pero si su interés es resolver un problema en particular en lugar de avanzar en el estado del arte en el aprendizaje automático abordando los problemas más difíciles que pueda encontrar, mi experiencia es que las herramientas convencionales ampliamente disponibles funcionan bien.

Lo importante es el conocimiento del dominio, comprender sus datos y comprender realmente cuál es el objetivo. Si aciertas esas dos cosas, cualquier algoritmo razonablemente bueno probablemente te dará lo que necesitas. Si te equivocas, todos los expertos en aprendizaje automático y las supercomputadoras del mundo no tienen sentido.

En términos de contratación de personas, tengo el mayor beneficio de las personas que han participado en proyectos reales exitosos que se utilizan para tomar decisiones reales importantes. Algunos de ellos saben muchas matemáticas, otros no tanto. Algunos tienen entrenamiento formal en aprendizaje automático, otros lo aprendieron por su cuenta. Pero no valoro un currículum académico brillante sin implementaciones exitosas a gran escala que realmente se usen y sean importantes.

Las matemáticas se encuentran en el núcleo del aprendizaje automático. Es una mezcla principalmente de probabilidad, estadística, álgebra lineal y cálculo.

En el aprendizaje no supervisado, utiliza algoritmos como K vecino más cercano, análisis de componentes principales. Estos algoritmos requieren un buen conocimiento de los siguientes temas. Incluso si tienes una intuición matemática, la entenderás.

Cuando se trata de aprendizaje supervisado, ya sea regresión, soporte de maquinado de vectores o redes neuronales, sientes que estás evaluando matrices y vectores. Toda la red neutral es una matriz, en la que haces propagación hacia adelante y hacia atrás para calcular gradientes a través del cálculo.

Para el aprendizaje profundo, este libro es sin duda uno de los mejores Aprendizaje profundo de Ian Goodfellow Yoshua bengio Aaron courville.

Este canal lo tiene todo:

Suscríbete a este increíble canal:

https://www.youtube.com/channel/ …

Espero que responda todas sus consultas. Lo encontré extremadamente útil.
Cubre aprendizaje automático, aprendizaje profundo, PNL, visión por computadora. Todos los marcos de aprendizaje profundo están cubiertos Tensorflow, keras, pytorch. Las redes neuronales como RNN, CNN, GAN se han detallado en el debate. Las competiciones de Kaggle también están incluidas.
Buena suerte

Como se dice en Wikipedia: “El aprendizaje automático (ML) es un campo de la informática que le da a las computadoras la capacidad de aprender sin ser programado explícitamente”. En términos más simples, el aprendizaje automático se trata de ciencias estadísticas, probabilísticas e informáticas. Es difícil imaginar un especialista en aprendizaje automático sin una comprensión matemática completa.

La pregunta aquí: ¿qué cantidad de matemática es necesaria para comprender todas las técnicas de Machine Learning (ML)? Al implementar las soluciones para proyectos de Machine Learning, un desarrollador debe proceder con la investigación en formulaciones matemáticas y avances teóricos todo el tiempo. El proceso está en curso. Desde mi perspectiva, este es el nivel mínimo de matemáticas necesario para ser un Científico / Ingeniero de Aprendizaje Automático:

* Álgebra lineal – 35%

* Teoría de la probabilidad y estadística: 25%

* Cálculo multivariable – 15% *

Algoritmos y optimizaciones complejas – 15%

* y otros – 10%

Álgebra lineal aparece en todas partes en ML.

Para comprender los métodos utilizados para la optimización del algoritmo de ML, el ingeniero debe comprender claramente y ser capaz de aplicar el conocimiento en Análisis de componentes principales (PCA), Descomposición de valor singular (SVD), Descomposición de una matriz, Descomposición de LU, Descomposición de QR / Factorización, matrices simétricas, ortogonalización y ortonormalización, operaciones matriciales, proyecciones, valores propios y vectores propios, espacios vectoriales y normas.

Teoría de la probabilidad y estadística: los ingenieros utilizan profundamente la combinatoria, las reglas y los axiomas de probabilidad, el teorema de Bayes, las variables aleatorias, la varianza y la expectativa, las distribuciones condicionales y conjuntas, las distribuciones estándar (Bernoulli, binomial, multinomial, uniforme y gaussiana), las funciones de generación de momentos, Estimación de máxima verosimilitud (MLE), anterior y posterior, estimación máxima a posteriori (MAP) y métodos de muestreo.

Cálculo multivariable: es muy importante comprender esta área de las matemáticas porque muchos problemas en el ML tienen que ver con la extrapolación basada en datos y los ingenieros están luchando para minimizar el error.

Los ingenieros deben tener una comprensión profunda de la eficiencia computacional y la escalabilidad de sus algoritmos de ML. Es por eso que el conocimiento de las estructuras de datos (Árboles binarios, Hashing, Heap, Stack, etc.), Programación dinámica, Algoritmo aleatorio y sublineal, Gráficos, Descensos gradientes / estocásticos y métodos Primal-Dual.

En Azati trabajamos estrechamente con las universidades locales (Facultad de Matemáticas) para entrenar nuestras cosas en áreas teóricas de matemáticas. Nuestros empleados participan regularmente en varias Olimpiadas de matemáticas y programación y ocupan lugares altos. Tenemos una gran comprensión de las preguntas teóricas planteadas al completar proyectos de ML.

Mucho. Yo diría que probablemente el 50-60% de lo que hago está fuertemente arraigado en las matemáticas, con otro 30% enfocado en comunicar resultados y 10-20% visualizar, usar software o escribir código. Hay una gran cantidad de modelos lineales generalizados, diseño experimental y otros conceptos estadísticos combinados con cálculo, álgebra lineal, análisis real, teoría de probabilidad, matemática discreta, teoría de grafos, geometría diferencial y topología.

Estoy profundizando en la nueva evolución de la tecnología, a saber, entre otros, el aprendizaje automático, la inteligencia artificial y el aprendizaje profundo.

Hasta ahora, se han confundido con qué comenzar y actualmente todavía indeciso. Disculpe mi diversidad, pensé que debería usar este medio para expresar mis desafíos actuales.

Ahora volviendo a la pregunta, las matemáticas que se han encontrado son:

1. Cálculo
2. Estadística
3. Probabilidad
4. Matriz para visión artificial y reconocimiento de imágenes.

Eso es todo lo que he aprendido hasta ahora.

Este es mi primer artículo sobre Quora. He estado aprendiendo a escribir para mejorar mi capacidad metacognitiva.

Por favor critícame tan profundo como puedas. Será de gran ayuda para mí crecer intelectualmente.

Sé que algún día recibiré un millón de votos.

¡¡¡Creer!!!

No demasiado (al menos en comparación con la física teórica y otros temas pesados ​​en matemáticas). Uso un poco de cálculo (simple y multivariable), mucho álgebra lineal básica y muchas estadísticas (importantes para el análisis de datos).

Todo es matemática, por supuesto, pero si quieres decir cuánto es el nivel universitario de investigación matemática, esencialmente nada de eso. Y si solo está aplicando técnicas de manera inteligente o incluso está moviendo el estado del arte, puede hacerlo sin matemática sofisticada por completo.

Mucho. Si te estás divirtiendo, ya has comenzado a pensar y hablar de matemáticas como idioma.