Puede sumergirse en el aprendizaje automático sin conocer ninguna probabilidad y estadística. La comprensión de los siguientes temas no necesita ningún conocimiento de probabilidad y estadística. Sin embargo, requieren una comprensión de álgebra lineal u optimización o ambas.
- Análisis de componentes principales (PCA): se necesita saber solo álgebra lineal para comprender PCA. Es un tema genial en el aprendizaje automático no supervisado que tiene varias aplicaciones como el reconocimiento facial (Eigenface)
- Support Vector Machines (SVM): es uno de los algoritmos de clasificación más populares. Uno debe tener una buena comprensión de la optimización (optimización restringida), pero no se requieren probabilidades ni estadísticas para comprender los SVM.
- Redes neuronales y aprendizaje profundo: para comprender las redes neuronales y la Backpropagation, solo se requiere la comprensión básica del cálculo. Lo mismo ocurre con la mayoría de las arquitecturas de redes neuronales y el aprendizaje profundo.
- Análisis discriminante de Fisher: es uno de los primeros algoritmos de clasificación. Solo necesito comprensión de álgebra lineal, nuevamente no se requieren probabilidades ni estadísticas.
Hay muchos otros algoritmos, tanto supervisados como no supervisados (como el análisis de correlación canónica, el agrupamiento espectral, etc.) que no requieren una comprensión de la probabilidad o las estadísticas. En resumen, puede hacerlo bastante bien, sin tener ningún conocimiento de la probabilidad.
Pero conocer temas como probabilidad marginal, probabilidad condicional, expectativa, varianza, etc. es muy útil para una comprensión detallada e integral del aprendizaje automático. Es indispensable si está haciendo modelos gráficos probabilísticos.
- ¿Cuál es la forma completa de AUC en el estado de AUC de los resultados del examen AKTU?
- ¿Cuáles son algunas aplicaciones del aprendizaje por refuerzo (o aprendizaje por refuerzo profundo) en finanzas y economía?
- ¿Cuántas imágenes se requieren para las redes adversas generativas (GAN)?
- Cómo interpretar el resultado de una red totalmente convolucional
- ¿Puede haber mejoras en el tiempo de ejecución al usar GPU para la red neuronal incluso si el conjunto de datos es de baja dimensión?
