Baza matematyki dla algorytmów eksploracji danych i sztucznej inteligencji

12

Czy możesz mi wyjaśnić algorytmy eksploracji danych i sztucznej inteligencji? Do jakiej bazy matematycznej używali? Czy mógłbyś mi dać punkt wyjścia, w matematyce, do zrozumienia tego rodzaju algorytmów?

kjetil b halvorsen
źródło
Na przykład David Ferrucci, który poprowadził zwycięstwo IBM DeepQA / Watson w Jeopardy, powiedział, że przeznaczeniem jest być systemem hybrydowym: zespołem 20-25 osób przez 4 lata z różnych dyscyplin, w tym NLP, lingwistyki obliczeniowej, gry działała na nim teoria, stochastyka i optymalizacja oraz inne dyscypliny.
10 najlepszych algorytmów w eksploracji danych daje łagodny przegląd inspirujących i wiodących algorytmów. Obawiam się, że musisz podać więcej szczegółów (jakie aplikacje? Jaki poziom szczegółów?), Aby uzyskać przydatne odpowiedzi.
chl

Odpowiedzi:

5

To może brzmieć trochę dziwnie w społeczności statystyk, ale jestem prawie pewien, że większość algorytmów uczenia maszynowego można sformułować jako funkcjonalne problemy z minimalizacją. Oznacza to, że zostanie to pokryte matematyczną optymalizacją .

Drugą rzeczą jest to, że prawdopodobnie potrzebujesz rachunku różniczkowego i algebry liniowej, aby zrozumieć, czym jest optymalizacja. Aby zinterpretować wyniki, lepiej zapoznaj się z teorią prawdopodobieństwa i statystykami .

Dmitrij Łaptiew
źródło
Czy jest to czysto społeczność statystyczna, czy istnieje lepsza strona wymiany stosów dla osób uczących się maszynowo, nie jestem pewien, czy istnieje dedykowana?
image_doctor,
1
Nie znam konkretnej witryny wymiany stosów uczenia maszynowego. Ale w tym można znaleźć wiele osób „uczących się maszynowo” (na przykład mnie), ponieważ statystyki i uczenie maszynowe są naprawdę bardzo bardzo powiązane.
Dmitrij Łaptiew
1

To pytanie jest może zbyt ogólne, powinieneś powiedzieć coś więcej o tym, do czego będziesz używać eksploracji danych! Ale eksploracja danych to w gruncie rzeczy statystyki, a większość wykorzystywania sztucznej inteligencji, którą widziałem, to także statystyki. Potrzebna jest matematyka potrzebna do statystyki: 1) rachunek różniczkowy i analiza rzeczywista 2) prawdopodobieństwo 3) Algebra liniowa! W praktyce 3) może być najważniejsze, prawie cokolwiek będziesz robił (włącznie z 1) i 2)) będziesz w dużym stopniu zależny od algebry liniowej. Pamiętaj więc, aby uzyskać nie tylko koncepcje, ale także umiejętności manipulacyjne!

Wykorzystuje się o wiele więcej, ale może bardziej wyspecjalizowany. Nie ma więc sensu udzielać bardziej szczegółowych porad, dopóki nie wyspecjalizujesz swojego pytania (i nauczysz się 1), 2) i 3))

kjetil b halvorsen
źródło
0

Wydaje się słuszne pytanie, jakiej matematyki powinienem się nauczyć jako podstawy uczenia maszynowego?
Może to odpowiedź jest szeroka. Ponieważ ML czerpie z tak wielu dyscyplin.

Inni sugerują, Algebra liniowa, Teoria prawdopodobieństwa, Statystyka, Przestrzenie metryczne i wiele innych, które są istotne.

Być może wykonalnym podejściem jest lista niektórych najpopularniejszych algorytmów ML, przyjrzenie się im i wypełnienie matematyki, z którą czujesz się mniej komfortowo.

image_doctor
źródło