Sospecharía que un buen manejo del álgebra lineal podría ser muy útil. Ciertas tareas de reconocimiento de patrones pueden depender en gran medida del buen manejo de la matriz. Trabajé en algunos problemas de visión por computadora y análisis estadístico de formas en el Departamento de Estadística de la Universidad de Leeds y utilizamos muchas estadísticas de múltiples variantes. Gran parte de eso se reduce a la descomposición de valores singulares, en particular el análisis de componentes principales, es una técnica muy útil para la reducción de dimensiones, transformando tareas que involucran datos en un gran número de dimensiones a un tamaño más manejable. Ciertamente, algunos de los principales trabajos en visión por computadora eran muy pesados en matemáticas.
El aprendizaje automático es una disciplina muy amplia, los diferentes grupos tendrán un énfasis diferente. Algunos serán pesados por computadora, otros serán más teóricos. Si miras hacia abajo la barra lateral en Aprendizaje automático, verás muchos temas matemáticos.
Estoy menos seguro de cómo el análisis y el tratamiento teórico de la medida de la probabilidad podrían encontrar aplicación. Estos parecen más fundacionales. Si un modelo oculto de Markov o un proceso estocástico puede tener utilidad, la base teórica de la medida es menos útil. Del mismo modo con el análisis, podría ser más la aplicación de análisis como ecuaciones diferenciales y análisis de Fourier que tienen más utilidad.
- ¿Cuáles son los métodos actuales o estándar de combinación de datos estructurados y no estructurados en redes neuronales convolucionales?
- ¿La regresión logística tiene en cuenta el desequilibrio de datos?
- ¿Qué es la enseñanza profunda?
- Cómo configurar una instancia de AWS GPU para aprender el aprendizaje automático
- ¿Por qué decimos que las redes neuronales simples no pueden manejar la entrada de longitud variable?
