Conocer las ideas básicas detrás de la teoría de la medida es ciertamente útil para la teoría de la probabilidad, pero supongo que la mayoría de los estudiantes de máquinas tienen un enfoque más “intuitivo” de la teoría de la probabilidad, por lo que no es realmente esencial.
La teoría de la medida es, por supuesto, absolutamente esencial para tener una construcción matemáticamente sólida de las medidas de probabilidad, etc., por lo que en ese sentido es importante.
Por otro lado, siempre que trate con espacios vectoriales reales y funciones continuas (o funciones que de alguna manera son extrañas en muchos puntos), cada conjunto o variable aleatoria que encuentre es medible de todos modos, por lo que no es realmente necesario saber todo sobre la teoría de la medida.
- ¿Dónde no se puede aplicar el aprendizaje automático?
- ¿Qué es la ciencia de datos, big data y machine learning?
- ¿Cuáles podrían ser temas interesantes para una disertación en aprendizaje automático?
- ¿Cómo genera Microsoft Tay AI la oración?
- ¿Deberíamos tener miedo de la IA?
La teoría de la medida en realidad da lugar a una formalización bastante elegante de las medidas e integrales de probabilidad (mucho mejor de lo que generalmente se obtiene de la física), porque puede tratar uniformemente las medidas que tienen una densidad y medidas discretas. De lo contrario, terminas con cosas extrañas donde tienes una integral con una densidad y una suma de “masas puntuales”.
Finalmente, un área en la que absolutamente necesita la teoría de la medida (pero a nadie parece importarle) es la teoría del aprendizaje. Para los límites de convergencia uniformes, considera la probabilidad de un supremum sobre un conjunto infinito de funciones, pero la teoría de medida “lista para usar” solo permite construcciones con conjuntos de índices infinitamente contables, por lo que necesita un poco más. Sin embargo, el libro Convergencia débil y procesos empíricos (http://books.google.com/books/ab…) es el único que conozco que trata esto de manera rigurosa. Al final, las cosas que puedes hacer son muy similares, por lo que probablemente no importe.