¿El aprendizaje automático requiere mucho conocimiento matemático?

Si y no. Realmente no necesita saber las matemáticas para implementar los algoritmos hoy en día. Hay tantas bibliotecas de aprendizaje automático de alto nivel que le permiten ejecutar un modelo de aprendizaje automático con una línea de código. Todo lo que necesitarías son datos. La cuestión es que las matemáticas realmente te ayudan a entender lo que está sucediendo y si quieres mejorar tu modelo aún más, necesitas saber qué está sucediendo.

No me gusta cuando la gente dice que necesitas ser un experto en matemáticas para comenzar porque eso realmente me desanimó a ingresar al campo antes. Comencé con un curso en línea sobre aprendizaje automático que comenzó con las matemáticas y lo dejé después de una semana. No tenía ningún sentido para mí. Solo había tomado el cálculo 2 y nunca había tomado un curso de estadística. Luego, pasé a un curso que comenzó con una conferencia de teoría matemática seguida de una implementación de los algoritmos en Python. Este método fue mucho más útil y fácil de seguir.

Creo que es más importante saber qué están haciendo los algoritmos que las matemáticas detrás de ellos. Hay muchos artículos en línea que describen los procesos de aprendizaje automático en términos simples. ¡No se preocupe por las matemáticas por ahora, moje sus pies y juegue con algunos datos! Si encuentra éxito usando máquinas de vectores de soporte, busque en Google lo que están haciendo. Luego, busque las matemáticas detrás de ellos para obtener una comprensión completa.

Ahora hago investigación de ML a tiempo parcial mientras estoy en la escuela y diré que las matemáticas son importantes. La teoría de la probabilidad y el cálculo han sido los más valiosos para mí. Pero no profundicé en las matemáticas hasta que me sentí muy cómodo con solo comprender intuitivamente lo que estaban haciendo los algoritmos de aprendizaje automático.

¡La mejor de las suertes!

La investigación en formulaciones matemáticas y el avance teórico del aprendizaje automático está en curso y algunos investigadores están trabajando en técnicas más avanzadas. Declararé lo que creo que es el nivel mínimo de matemáticas necesario para ser un Científico / Ingeniero de Aprendizaje Automático y la importancia de cada concepto matemático.

1. Álgebra lineal : en ML, Álgebra lineal aparece en todas partes. Temas como Análisis de componentes principales (PCA), Descomposición de valores singulares (SVD), Descomposición propia de una matriz, Descomposición LU, Descomposición / Factorización QR, Matrices simétricas, Ortogonalización y ortonormalización, Operaciones matriciales, Proyecciones, Valores propios y vectores propios, Espacios vectoriales y normas son necesarios para comprender los métodos de optimización utilizados para el aprendizaje automático.
2. Teoría de la probabilidad y estadísticas : el aprendizaje automático y las estadísticas no son campos muy diferentes. En realidad, alguien definió recientemente Machine Learning como ‘hacer estadísticas en una Mac’. Algunas de las Teorías estadísticas y de probabilidad fundamentales necesarias para ML son Combinatoria, Reglas y axiomas de probabilidad, Teorema de Bayes, Variables aleatorias, Variación y expectativa, Distribuciones condicionales y conjuntas, Distribuciones estándar (Bernoulli, Binomial, Multinomial, Uniforme y Gaussiano), Momento Funciones generadoras, Estimación de máxima verosimilitud (MLE), Estimación previa y posterior, Estimación máxima a posteriori (MAP) y Métodos de muestreo.
3. Cálculo multivariante : algunos de los temas necesarios incluyen cálculo diferencial e integral, derivadas parciales, funciones de valores vectoriales, gradiente direccional, distribución hessiana, jacobiana, laplaciana y lagragiana.
4. Algoritmos y optimizaciones complejas : esto es importante para comprender la eficiencia computacional y la escalabilidad de nuestro algoritmo de aprendizaje automático y para explotar la escasez en nuestros conjuntos de datos. Se necesitan conocimientos de estructuras de datos (árboles binarios, hash, montón, pila, etc.), programación dinámica, algoritmos aleatorios y sublineales, gráficos, gradientes / descensos estocásticos y métodos primarios-duales.
5. Otros : Esto comprende otros temas de matemáticas que no están cubiertos en las cuatro áreas principales descritas anteriormente. Incluyen análisis real y complejo (conjuntos y secuencias, topología, espacios métricos, funciones de valor único y continuo, límites, núcleo de Cauchy, transformadas de Fourier), teoría de la información (entropía, ganancia de información), espacios de funciones y manifolds.

Lee mas…