El campo moderno actual del aprendizaje automático (ML) generalmente se trata de la optimización de parámetros dada alguna función objetiva. Dicho esto, el ML moderno está fuertemente relacionado con la teoría de optimización en matemáticas. Por lo tanto, las matemáticas comúnmente utilizadas en ML son:
- Álgebra lineal : como operaciones matriciales y vectoriales. Una red neuronal puede expresarse completamente en forma matricial con multiplicaciones matriciales y una operación no lineal por elementos llamados funciones de activación.
- Probabilidad y estadística : la inferencia probabilística es muy importante en configuraciones ruidosas y normalmente al tomar decisiones necesitamos interpretaciones probabilísticas. Por lo tanto, encontrará funciones sigmoideas (logísticas) y softmax en la mayoría de las capas de salida de los sistemas de ML con el propósito de producir distribuciones de probabilidad, lo que hace que sea más fácil decidir si una clase particular de estímulos está presente o no.
- Optimización numérica : la mayoría del campo ML se basa en la optimización como se indicó anteriormente. Normalmente se utilizan algoritmos de aprendizaje basados en el descenso de gradiente. Tenemos el descenso de gradiente estocástico (SGD) como el enfoque casi estándar para el aprendizaje en máquinas.
- Cálculo : el algoritmo de backprop tal como lo conocemos se basa en la regla de la cadena del cálculo regular. Por lo tanto, si realmente desea comprender las redes neuronales o ML en general, necesita comprender esta técnica de encadenar derivados de la capa de salida y moverse hacia la capa de entrada.
La inteligencia artificial (IA) es mucho más amplia que la ML, por lo que las matemáticas también pueden incluir lo siguiente:
- Matemáticas discretas.
- Teoría de grafos.
- Complejidad computacional.
- Teoría de juego.
Estos campos también requieren que conozca la programación porque la codificación es una forma de validar ideas en AI / ML empíricamente. La mayoría de los modelos AI / ML son demasiado complejos para ser evaluados por completo en una perspectiva puramente matemática, por lo que las matemáticas ayudan en el proceso inicial de generación de ideas y algunas pruebas aquí y allá, pero la codificación es imprescindible para ver el modelo en acción.
- ¿Cuál es la diferencia entre las técnicas de computación de IA y las técnicas de computación de investigación de operaciones con respecto a la optimización? ¿Hay alguna diferencia en absoluto?
- ¿Cuáles son algunos de los sistemas de conversación de IA más modernos?
- ¿Necesito saber Machine Learning antes de estudiar Deep Learning?
- ¿Cuál es la tecnología de punta que despegará en 2017?
- Con la presencia de motores de ajedrez avanzados y redes neuronales, ¿pueden los humanos aprender a vencer a las computadoras?
Por lo tanto, elija uno o más de los siguientes lenguajes de programación.
- Pitón
- Java
- C / C ++
Realmente van de la mano con las matemáticas, hacen las matemáticas en papel y usan la codificación para verificar sus ideas.
Espero que esto ayude.
