Von Lance Smith, CEO und Mitbegründer von Cy4Data Labs

Sicherheit warfare schon immer eine Belastung für HPC- und KI-Bereitstellungen. Das Hinzufügen von Verschlüsselungs- und Entschlüsselungsebenen verlangsamt Systeme architektonisch, was in der Welt des Hochleistungsrechnens ein inakzeptabler Kompromiss ist.

Doch die moderne Bedrohungslandschaft in Kombination mit strengeren Datenschutzgesetzen macht deutlich: Traditionelle IT-, KI- und HPC-Umgebungen müssen überdenken, wie sie Daten schützen. Der kommende Q-Day, wenn Quantencomputer die Fähigkeit erlangen, die heutige Public-Key-Verschlüsselung zu knacken, wird die Angriffsfläche massiv vergrößern.

Dies stellt für HPC- und KI-Anbieter eine doppelte Herausforderung und Likelihood dar. Sie müssen neu darüber nachdenken, wie sie wise Daten schützen können, ohne die Leistung zu beeinträchtigen. Sie können jetzt neue Formen der Verschlüsselung nutzen, die wise Daten während der Nutzung schützen, ohne dass es zu Reibungsverlusten oder Leistungseinbußen kommt. Mehr dazu später.

Die Lücke in der traditionellen Verschlüsselung

Herkömmliche Verschlüsselungsansätze schützen nur Daten im Ruhezustand und während der Übertragung. Das Downside besteht darin, dass wise, wertvolle und regulierte Daten während ihrer Nutzung ihre höchste Verwundbarkeit erreichen. wo es im Klartext ist und von Anwendungen aktiv aufgerufen wirdin den Speicher geladen, von privilegierten Benutzern verarbeitet oder angezeigt, an jedem Stopp oder Übergangspunkt entlang des Datenpfads entschlüsselt.

In diesen Momenten werden Daten normalerweise vorher entschlüsselt, wenn sie aus dem Speicher oder einer Datei gelesen werden, damit die Anwendung sie verwenden kann. Dies öffnet die Tür für Speicher-Scraping, unbefugten Zugriff, Insider-Missbrauch, Kompromittierung von Anmeldedaten und hochentwickelter Malware, die die Abwehrmaßnahmen auf Netzwerk- oder Speicherebene vollständig umgeht.

Gleiches gilt für Daten in HPC-Umgebungen, die ebenfalls mit zusätzlichem Leistungsbedarf belastet sind. HPC-Daten müssen entschlüsselt werden, um im Klartext zu funktionieren, was die Daten in jeder Section anfällig für Angriffe macht und aufgrund der Hochgeschwindigkeitsverarbeitung zu viel mehr Datenstopps führt.

Säulenverschlüsselungslösungen für HPC funktionieren zwar, aber ganze Datenspalten müssen zunächst entschlüsselt werden, um Abfragen oder Analysen durchzuführen, was die Architektur zu langsam macht. In diesen Szenarien setzt sich natürlich jedes Mal die Durchführung von HPC-Workloads auf klaren Daten durch.

Die Aufsichtsbehörden sind sich dieses blinden Flecks bewusst. Beispiele hierfür sind aktuelle Anleitung des Nationwide Institute of Requirements and Expertise (NIST)das Jahr 2025 der Europäischen Union Gesetz zur digitalen BetriebsstabilitätUnd weniger strenge Vorschläge von Well being and Human Providers (HHS) Ziel ist es, die Sicherheit geschützter Gesundheitsinformationen zu stärken. Diese neuen Regulierungsrahmen betrachten den Schutz der genutzten Daten nun als die wesentliche dritte Säule einer vollständigen Sicherheitsarchitektur und erfordern, dass Unternehmen Maßnahmen ergreifen, um diese letzte große Lücke in der Finish-to-Finish-Verschlüsselung zu schließen.

KI-gesteuerte Bedrohungen vervielfachen sich im Zuge der Q-Day-Ansätze

KI, zunehmend der am meisten gefürchtete Insider-Angreifer, hat die Komplexität und das Ausmaß von Cyberangriffen dramatisch gesteigert, Phishing beschleunigt, Deep-Faux-basiertes Social Engineering ermöglicht und Malware automatisiert, die sich in Echtzeit anpasst. Unterdessen sind sowohl vorsätzliche als auch versehentliche Insider-Bedrohungen nach wie vor die häufigste Ursache für Verstöße, insbesondere wenn es um sensibles geistiges Eigentum oder regulierte personenbezogene Daten geht.

Der Verlust von Anmeldedaten fördert den unbefugten Zugriff zusätzlich und bietet Angreifern einen reibungslosen Weg, sich seitlich durch Unternehmenssysteme zu bewegen. Und über all dem lauert die Strategie „Jetzt ernten, später entschlüsseln“: Gegner sammeln heute mit öffentlichen Schlüsseln verschlüsselte Daten in der Erwartung, sie morgen mit Quantencomputern zu knacken.

Ohne die Umstellung auf den Schutz der genutzten Daten mit Publish-Quanten-Kryptografie riskieren sowohl traditionelle Unternehmen als auch HPC-Betreiber eine stille Kompromittierung und langfristige Gefährdung, lange bevor Quantenmaschinen die Entschlüsselung im öffentlichen Maßstab erreichen.

Ein neuer Ansatz: Verschlüsselung auf atomarer Ebene

Es entsteht ein neuer Ansatz, der diese Schwachstellen behebt: auf Feldebene, algorithmusbasiert oder auf der anderen Seite

Informationstheoretische Verschlüsselung auf Omic-Ebene. Anstatt ganze Dateien oder Spalten/Tabellen in Datenbanken zu verschlüsseln, werden einzelne Datenelemente verschlüsselt. Jedes Datenelement ist durch einen eigenen, eindeutigen Schlüssel geschützt, was die Kosten und die Schwierigkeit eines unbefugten Zugriffs erheblich erhöht, selbst für Insider oder Angreifer, die gestohlene Anmeldeinformationen verwenden.

Dieses Modell stellt einen grundlegenden Wandel in der Artwork und Weise dar, wie Unternehmen wise Informationen sichern und verwalten. Erweitert durch eine diversifizierte Schlüsselverwaltung kombiniert die Verschlüsselung auf Feld- und Atomebene separate Steuerschlüssel mit Millionen von Einmalschlüsseln, um Daten bis hin zu einem einzigen Wort zu schützen und den Eigentümern umfassende Zugriffskontrollen zu ermöglichen. Selbst wenn Daten gestohlen werden, bleiben sie verschlüsselt, fragmentiert und kryptografisch unbrauchbar, wodurch exfiltrierte Informationen in wertloses Geschwafel verwandelt werden.

Die unterstützende Schlüsselverwaltungsarchitektur ermöglicht auch Funktionen, die die Datenverwaltung selbst bei gemeinsam genutzten sensiblen Daten stärken, darunter:

• Richtlinienbasierte Entschlüsselung: Der Zugriff ist an detaillierte Rollen, kontextbezogene Signale und Zwecke gebunden, nicht nur an Benutzeranmeldeinformationen.
• Revisionssichere Telemetrie: Jeder Zugriffsversuch wird mit kryptografischer Integrität erfasst, was eine präzise forensische Untersuchung und behördliche Berichterstattung ermöglicht.
• Interne Systemhärtung: Die Verschlüsselung erstreckt sich über kundenorientierte Anwendungen hinaus auf interne Instruments und Datenbanken und reduziert Insider- und Anmeldedaten-basierte Risiken in der gesamten Umgebung.

Fazit: Verschlüsselung auf Feld- und Atomebene sorgt für Vertrauen

Die Verschlüsselung auf Feld- und Atomebene hilft Unternehmen dabei, kompromisslose Vertraulichkeit, Integrität und Compliance in klassischen, HPC- und zukünftigen Quantenumgebungen aufrechtzuerhalten. Da KI-gesteuerte Angriffe immer schneller voranschreiten und der Q-Day näher rückt, kann der Schutz der genutzten Daten nicht länger als non-compulsory angesehen werden, sondern ist von grundlegender Bedeutung.

Durch den Einsatz von Verschlüsselung auf Feldebene mit diversifizierter Schlüsselverwaltung und quantenresistenter Kryptografie können Unternehmen die letzte große Sicherheitslücke schließen.

Die Wahl ist schwierig: Führen Sie jetzt einen umfassenden Schutz der genutzten Daten ein, oder riskieren Sie eine katastrophale Gefährdung, wenn Angreifer die sensiblen Daten, die sie heute sammeln, unweigerlich entschlüsseln. Unternehmen, die proaktive Schritte zur Verschlüsselung auf Feld- und Atomebene unternehmen, werden in der Lage sein, ihre wertvollsten Vermögenswerte zu schützen und in einer zunehmend feindseligen digitalen Welt langfristiges Vertrauen, Widerstandsfähigkeit und Wettbewerbsvorteile aufzubauen.

Lance Smith ist CEO und Mitbegründer, Cy4Data Labsdessen Flaggschiffprodukt Cy4Secure strukturierte und unstrukturierte Daten in Cloud-, On-Prem-, Hybrid- und SaaS-Umgebungen schützt.

Möchten Sie Ihren YouTube -Kanal schnell wachsen lassen? Daher ist es wichtig, Kreativität in die Miniaturansicht aufzunehmen. Niemand magazine langweilige oder gewöhnliche Miniaturansichten. Die ansprechenden und attraktiven Miniaturansichten erhöhen Ihre Chancen, mehr Klicks und weitere Ansichten für Ihren Kanal zu erhalten. Das Erstellen von einzigartigen und klickswürdigen Miniaturansichten braucht jedoch Zeit und einige Designfähigkeiten.

Keine Notwendigkeit, sich Sorgen zu machen; Wenn Sie keine Konstruktionserfahrung haben, ist der AI -Miniaturbildner die perfekte Lösung für Sie. Dies ist ein fantastisches Device, mit dem Sie schnell klickbare Miniaturansichten generieren können.

Lassen Sie uns erfahren, wie wichtig das Miniaturbild ist und wie ein AI -Miniaturgenerator dazu beiträgt, fantastische Miniaturansichten zu kreieren, ohne die Hände in die Hände zu geben.

Teil 1: Der erste Eindruck: Wie Ihre Miniaturansicht die Leute aufhören zu scrollen?

Dieses Gefühl ist uns allen bekannt. Sie scrollen gedankenlos durch YouTube, Instagram oder Tiktok, wenn etwas Ihre Aufmerksamkeit auf sich zieht. Es ist nicht der Titel. Das ist nicht die Beschreibung. Dies ist das Miniaturbild.

Dieses eine winzige Bild schafft es, Ihren Daumen innehalten zu lassen, Ihr Gehirn nimmt es auf und Ihre Neugier steigt. Das ist die Kraft eines großartigen Miniaturbilds – es verwandelt Gelegenheitsroller zu aktiven Zuschauern.

Warum Miniaturansichten mehr wichtig sind als Sie denken

In einem Meer von Inhalten ist Ihr Video -Miniaturbild der effektivste Köder. Eine intestine gestaltete Miniaturansicht:

• Stoppen Sie die Schriftrolle.
• Lassen Sie jemanden sich darum kümmern, was Sie anbieten.
• Starten Sie Ihre Klickrate (CTR) groß.
• Verstärken Sie die Stimmung oder Marke Ihres Inhalts, ohne ein Wort zu sagen.

Die Leute beurteilen Ihren Inhalt innerhalb von Sekunden. Eine überzeugende Miniaturansicht sagt: “Hey, das lohnt sich zu beobachten. ““

Warum traditionelle Miniaturansichten ein Schmerz sind

Das Erstellen des Miniaturbilds manuell oder mit traditionellen Methoden ist ein guter Ansatz, um Ihre gesamte Kreativität in Miniaturansichten zu bringen, aber oft wird es für Anfänger Kopfschmerzen, um sie zu klicken. Hier sind einige Gründe.

• Zeit: Sie müssen durch Ihr Video schrubben, einen Rahmen schnappen, Photoshop abbauen, mit Schriftarten fummeln, Farben auswählen, Elemente optimieren, Größe ändern, speichern, testen … Sie erhalten es.
• Fähigkeit: Wenn Sie kein Grafikdesigner sind, erscheinen Ihre Miniaturansichten möglicherweise unprofessionell.
• Konsistenz: Die Aufrechterhaltung eines Marken -Seems ist schwierig, wenn Sie jedes Mal von Grund auf neu gestalten.

Diese Artwork von Workflow verbraucht Zeit und kreative Energie – zwei Ressourcen, von denen die Schöpfer nie genug haben. Deshalb erlangen AI -Miniaturschöpfer bei den Schöpfer an Popularität.

Lassen Sie uns wissen, wie es funktioniert und welche Artwork von Ergebnissen es den Schöpfer bietet.

TEIL 2: Der AI -Miniaturansicht Generator: Definition und seine Leistungsauswirkungen

Ein AI -Miniaturgenerator verwendet künstliche Intelligenz, um Ihren Videoinhalt zu analysieren und automatisch optimierte Miniaturbilder zu erstellen. Es versteht visuelle Muster, Textual content, Platzierung und emotionale Hinweise – alles, was Menschen zum Klicken bringen. Und das Beste daran? Keine Bearbeitungsfähigkeiten erforderlich. Laden Sie einfach Ihr Video hoch, wählen Sie Ihr Lieblingsdesign und Ihr Lieblings -Increase aus – Sie sind fertig.

Vorteile der Verwendung von AI für Miniaturansichten

Lassen Sie uns die Ergebnisse diskutieren. Die Arbeit mit einem KI -Device vereinfacht nicht nur die Dinge – es gibt Ihnen verbesserte Ergebnisse.

Steigern Sie Ihre CTR (Klickrate)

AI -Software program untersucht, welche Bilder die größte Aufmerksamkeit erregen und Ihre Miniaturansicht erledigen, um diese emotionalen Auslöser zu treffen. Dies führt dazu, dass mehr Personen anhalten, suchen und klicken – Ihr Video auf die Belichtung auszusetzen, die es benötigt.

Sparen Sie Zeit wie nie zuvor

Das Erstellen einer Miniaturansicht struggle früher ein Mini -Projekt für sich. Mit einem AI -Miniaturansatzgenerator dauerte das, was einst über 30 Minuten dauerte, 3. Das ist echte Produktivität, insbesondere für vielbeschäftigte Schöpfer oder Marketingteams, die Dutzende von Uploads jonglieren.

Unieinst du deine Marke über Kanäle hinweg

Wenn Sie Movies auf YouTube, Instagram oder Tiktok veröffentlichen, stellen Sie sicher, dass Ihre Markenidentität klar ist. AI vereinfacht Ihr Aussehen, indem Sie dieselbe Schriftart, Format und Design verwenden und sicherstellen, dass Ihr Publikum Sie sofort erkennt.

Intelligentere Entscheidungen mit datengetriebenen Designs

Bestimmte KI -Instruments ermöglichen es Ihnen, A/B -Testen für Miniaturoptionen zu testen. Das heißt, Sie können zwei Entwürfe testen, feststellen, auf welchen Klicken Sie auf mehr geklickt werden, und die Daten für eine verbesserte zukünftige Leistung entscheiden. Das ist nicht nur clever – es ist strategisch.

Unabhängig davon, ob Sie ein Influencer, Pädagogen, Vermarkter oder Geschäftsinhaber sind, werden Sie diese Instruments in einer geschäftigen Inhaltsumgebung hervorheben.

Teil 3: Erstellen Sie Ihr erstes AI -Miniaturbild mit Wondershare Filmora: Keine Designerfahrung erforderlich

Die Wondershare Filmora ist eine bekannte und Lieblings-Video-Editor-Software program für Profis und wird auch von Anfängern geliebt. Es macht es sehr einfach, ohne Designerfahrung Klick-würdige Miniaturansichten zu erstellen.

Was unterscheidet Filmora von anderen

Um es besser zu wissen, schauen Sie sich seine erstaunlichen Funktionen an.

• AI-angetriebene Vorschwerpunkte Vorschläge: Es wählt automatisch die fesselndsten Frames aus, die auf dem Inhalt Ihres Movies basieren.
• Eingebaute Vorlagen: Wählen Sie aus vorfertigen Layouts, die professionell gestaltet und visuell überzeugend sind.
• Drag-and-Drop-Schnittstelle: Sie müssen nicht „herausfinden“. Es funktioniert einfach.
• Plattformübergreifende Unterstützung: Entwerfen Sie Miniaturansichten für YouTube, Instagram, Tiktok oder eine andere Plattform – alle Inside Filmora.
• Schneller Export: Erstellen, Vorschau und Laden Sie Ihre Miniaturansicht herunter, ohne die Instruments wechseln zu müssen.

Schauen Sie sich an, wie nützlich Filmora für die Herstellung von AI -Miniaturansichten ohne zusätzliche Unterstützung ist. Lassen Sie uns alles ausführlich lernen, indem wir die folgenden Schritte ausführen.

Schritte zum Erstellen von AI -Miniaturansichten mit Filmora:

Schritt 1: Aktivieren Sie nach dem Bearbeiten Ihres Movies den AI -Miniaturhersteller -Ersteller durch Klicken “Export“.

Schritt 2: Sie können auch eine Miniaturansicht im Projektinformationsfeld (rechte Seite) erstellen, indem Sie auswählen “Bearbeiten„Und dann“Vorschaubild einstellen. ““

Schritt 3: Wählen Sie einen Rahmen – AI schlägt die besten Frames vor; Wählen Sie eine aus und klicken Sie auf “Bearbeiten. ““

Schritt 4: Wählen Sie eine Vorlage aus – wählen Sie eine aus AI-generierte Vorlage und klicken “Speichern. ““

Schritt 5: Exportieren Sie das Miniaturbild – Um die gespeicherte Miniaturansicht anzusehen, wählen Sie “.Export“ Dann „Ordner öffnen.”

Und so haben Sie ein professionelles Miniaturbild – kein Photoshop benötigt, keine Designregeln, die Sie beherrschen können. Additionally, egal ob Sie Anfänger oder erfahrener Profi sind, Wondershare Filmora’s YouTube Thumbnail Generator AI macht Miniaturansichten unterhaltsam, schnell und wahnsinnig effektiv.

Das Erstellen von Video-Miniaturansichten mit hoher Auswirkung hatte früher Kopfschmerzen-bis jetzt. Mit AI Thumbnail -Schöpfer wie Wondershare Filmora können Sie endlich den Designstress abgeben und sich auf das konzentrieren, was Sie am besten können: großartige Inhalte zu erstellen. Es ist schnell, anfängerfreundlich und ernsthaft effektiv darin, Ihren Movies zu helfen, sich in einem überfüllten Feed abzuheben. Möchten Sie mit dem Drehen der Köpfe beginnen und Klicks erhalten? Probieren Sie noch heute Filmoras AI -Miniaturansatz -Device und steigen Sie Ihr visuelles Spiel auf – ohne Designer zu werden.

---

Ausgewähltes Bildnachweis

kann ein beängstigendes Thema für Menschen sein.

Viele von Ihnen möchten im maschinellen Lernen arbeiten, aber die erforderlichen mathematischen Fähigkeiten scheinen überwältigend zu sein.

Ich bin hier, um Ihnen zu sagen, dass es nirgendwo so einschüchternd ist, wie Sie vielleicht denken, und um Ihnen eine Roadmap, Ressourcen und Ratschläge zu geben, wie Sie Mathematik effektiv lernen können.

Lass uns darauf eingehen!

Benötigen Sie Mathematik für maschinelles Lernen?

Ich werde oft gefragt:

Müssen Sie Mathematik kennen, um im maschinellen Lernen zu arbeiten?

Die kurze Antwort ist im Allgemeinen JaAber die Tiefe und das Ausmaß der Mathematik, die Sie wissen müssen, hängt von der Artwork der Rolle ab, die Sie spielen.

Eine forschungsbasierte Rolle wie:

• Forschungsingenieur –Ingenieur, der Experimente basierend auf Forschungsideen durchführt.
• Forschungswissenschaftler –Ein Vollzeitforscher auf modernsten Modellen.
• Angewandter Forschungswissenschaftler– irgendwo zwischen Forschung und Industrie.

Insbesondere benötigen Sie starke mathematische Fähigkeiten.

Es hängt auch davon ab, für welches Unternehmen Sie arbeiten. Wenn Sie ein Ingenieur oder Datenwissenschaftler für maschinelles Lernen oder eine technische Rolle sind, bei denen:

• Deepmind
• Microsoft AI
• Metaforschung
• Google -Forschung

Sie benötigen auch starke mathematische Fähigkeiten, da Sie in einem Forschungslabor arbeiten, das einem Universitäts- oder Faculty -Forschungslabor ähnelt.

Tatsächlich werden die meisten maschinellen Lernen und KI -Forschung an großen Unternehmen und nicht an Universitäten durchgeführt, da die finanziellen Kosten für die Ausführung von Modellen für large Daten, die Millionen Pfund sein können,.

Für diese Rollen und Positionen, die ich erwähnt habe, müssen Ihre Mathematikfähigkeiten ein Minimal eines Bachelor -Abschlusses in einem Fach wie Mathematik, Physik, Informatik, Statistik oder Ingenieurwesen haben.

Im Idealfall haben Sie jedoch einen Grasp oder Doktor in einem dieser Themen, da diese Abschlüsse die Forschungsfähigkeiten vermitteln, die für diese Forschungsrollen oder Unternehmen erforderlich sind.

Dies magazine einige von Ihnen ermutigend klingen, aber dies ist nur die Wahrheit aus den Statistiken.

Nach a Notizbuch von der 2021 Kaggle Machine Studying & Information Science SurveyDie Rolle des Forschungswissenschaftlers ist bei Promotion und Promotion sehr beliebt.

Und im Allgemeinen, je höher Ihre Ausbildung ist, desto mehr Geld verdienen Sie, was mit Mathematikwissen korreliert.

Wenn Sie jedoch in der Branche an Produktionsprojekten arbeiten möchten, sind die erforderlichen mathematischen Fähigkeiten erheblich geringer. Viele Menschen, von denen ich kenne, dass sie als Ingenieure und Datenwissenschaftler für maschinelles Lernen arbeiten, haben keinen „Ziel“ -Gen Hintergrund.

Dies liegt daran, dass die Industrie nicht so intensiv ist. Es geht oft darum, die optimale Geschäftsstrategie oder Entscheidung zu bestimmen und diese in ein maschinelles Lernmodell zu implementieren.

Manchmal ist nur eine einfache Entscheidungsingum erforderlich, und maschinelles Lernen wäre übertrieben.

Mathematikkenntnisse der Excessive College reichen normalerweise für diese Rollen aus. Möglicherweise müssen Sie möglicherweise wichtige Bereiche auffrischen, insbesondere für Interviews oder spezifische Spezialisten wie Verstärkungslernen oder Zeitreihen, die ziemlich maths-intensiv sind.

Um ehrlich zu sein, sind die meisten Rollen in der Industrie, sodass die für die meisten Menschen benötigten Mathematikfähigkeiten nicht auf der Ebene des Masters oder Masters stehen.

Aber ich würde lügen, wenn ich sagen würde, dass diese Qualifikationen Ihnen keinen Vorteil geben.

Es gibt drei Kernbereiche, die Sie wissen müssen:

Statistiken

Ich magazine leicht voreingenommen sein, aber Statistiken sind der wichtigste Bereich, den Sie kennen und den größten Aufwand in das Verständnis setzen sollten.

Die meisten maschinellen Lernen stammen aus der statistischen Lerntheorie. Lernstatistiken bedeuten daher, dass Sie inhärent maschinelles Lernen oder seine Grundlagen lernen.

Dies sind die Bereiche, die Sie studieren sollten:

• Beschreibende Statistik– Dies ist nützlich für die allgemeine Analyse und die Diagnose Ihrer Modelle. Hier geht es darum, Ihre Daten am besten zusammenzufassen und darzustellen.
  • Durchschnittswerte: Mittelwert, Median, Modus
  • Verbreitung: Standardabweichung, Varianz, Kovarianz
  • Diagramme: Bar, Linie, Kuchen, Histogramme, Fehlerbalken
• Wahrscheinlichkeitsverteilungen– Dies ist das Herzstück der Statistik, da es die Kind der Wahrscheinlichkeit von Ereignissen definiert. Es gibt viele, und ich meine viele, Verteilungen, aber Sie müssen sicherlich nicht alle lernen.
  • Regular
  • Binomial
  • Gamma
  • Logarithmisch-normal
  • Poisson
  • Geometrisch
• Wahrscheinlichkeitstheorie– Wie ich bereits sagte, basiert maschinelles Lernen auf statistischem Lernen, das aus dem Verständnis entsteht, wie die Wahrscheinlichkeit funktioniert. Die wichtigsten Konzepte sind
  • Maximale Wahrscheinlichkeitsschätzung
  • Zentralgrenze Theorem
  • Bayes’sche Statistik
• Hypothesentest-Die meisten Anwendungsfälle von Daten von Daten und maschinellem Lernen drehen sich um Exams. Sie werden Ihre Modelle in der Produktion testen oder einen A/B -Take a look at für Ihre Kunden durchführen. Daher ist es sehr wichtig zu verstehen, wie Hypothesen -Exams durchgeführt werden können.
  • Signifikanzniveau
  • Z-Take a look at
  • T-Take a look at
  • Chi-Quadrat-Take a look at
  • Probenahme
• Modellierung & Inferenz– Modelle wie lineare Regression, logistische Regression, Polynomregression und jeglicher Regressionsalgorithmus stammten ursprünglich aus Statistiken, nicht aus maschinellem Lernen.
  • Lineare Regression
  • Logistische Regression
  • Polynomregression
  • Modellreste
  • Modellunsicherheit
  • Verallgemeinerte lineare Modelle

Infinitesimalrechnung

Die meisten Algorithmen für maschinelles Lernen lernen auf die eine oder andere Weise aus Gradientenabstieg. Und Gradientenabstieg hat seine Wurzeln im Kalkül.

Es gibt zwei Hauptbereiche in Kalkül, die Sie abdecken sollten:

Differenzierung

• Was ist ein Derivat?
• Ableitungen gemeinsamer Funktionen.
• Wendepunkt, Maxima, Minima und Sattelpunkte.
• Teilableitungen und multivariabler Kalkül.
• Ketten- und Produktregeln.
• Konvexe vs nicht konvex differenzierbare Funktionen.

Integration

• Was ist Integration?
• Integration durch Teile und Substitution.
• Das Integral der gemeinsamen Funktionen.
• Integration von Bereichen und Bänden.

Lineare Algebra

Lineare Algebra wird überall im maschinellen Lernen und viel im tiefen Lernen verwendet. Die meisten Modelle stellen Daten und Merkmale als Matrizen und Vektoren dar.

• Vektoren
  • Was sind Vektoren?
  • Größe, Richtung
  • Punktprodukt
  • Vektorprodukt
  • Vektoroperationen (Zugabe, Subtraktion usw.)
• Matrizen 
  • Was ist eine Matrix
  • Verfolgen
  • Umgekehrt
  • Transponieren
  • Determinanten
  • Punktprodukt
  • Matrix -Zersetzung
• Eigenwerte & Eigenvektoren
  • Eigenvektoren finden
  • Eigenwertabzug
  • Spektrumanalyse

Es gibt viele Ressourcen und es kommt wirklich auf Ihren Lernstil an.

Wenn Sie nach Lehrbüchern suchen, können Sie mit Folgendem nichts falsch machen und sind so ziemlich alles, was Sie brauchen:

• Praktische Statistiken für Datenwissenschaftler– Ich empfehle dieses Buch ständig und aus gutem Grund. Dies ist das einzige Lehrbuch, für das Sie realistisch die Statistiken lernen müssen Datenwissenschaft und maschinelles Lernen.
• Mathematik für maschinelles Lernen  – Wie der Identify schon sagt, lehrt dieses Lehrbuch die Mathematik für maschinelles Lernen. Viele Informationen in diesem Buch sind möglicherweise übertrieben, aber Ihre Mathematikfähigkeiten sind hervorragend, wenn Sie alles studieren.

Wenn Sie einige On-line -Kurse wollen, habe ich gute Dinge über die folgenden gehört.

Lernberatung

Die Menge an Mathematikinhalten, die Sie lernen müssen, magazine überwältigend erscheinen, aber keine Sorge.

Die Hauptsache ist, es Schritt für Schritt aufzubrechen.

Wählen Sie eine der drei aus: Statistiken, Lineare Algebraoder Kalkül.

Schauen Sie sich die Dinge an, die ich oben geschrieben habe, die Sie wissen und eine Ressource auswählen müssen. Es muss nicht diejenigen sein, die ich oben empfohlen habe.

Das ist die erste Arbeit. Überkomplizieren Sie nicht, indem Sie nach der „besten Ressource“ suchen, da so etwas nicht existiert.

Beginnen Sie nun, die Ressourcen zu durcharbeiten, aber nicht nur blind den Movies zu lesen oder anzusehen.

Machen Sie sich aktiv Notizen und dokumentieren Sie Ihr Verständnis. Ich persönlich schreibe Weblog -Beiträge, die die im Wesentlichen die verwenden Feynman -Technik wie ich in gewisser Weise „unterrichtet“, was ich weiß.

Das Schreiben von Blogs ist für manche Menschen möglicherweise zu viel. Stellen Sie additionally sicher, dass Sie gute Notizen haben, entweder physisch oder digital, die in Ihren eigenen Worten liegen und dass Sie sich später verweisen können.

Der Lernprozess ist im Allgemeinen recht einfach, und es wurden Studien darüber durchgeführt, wie dies effektiv ist. Der allgemeine Kern ist:

• Mach jeden Tag ein bisschen ein bisschen
• Überprüfen Sie die alten Konzepte häufig (Abstandswiederholung)
• Dokumentieren Sie Ihr Lernen

Es geht nur um den Prozess; Folgen Sie ihm, und Sie werden lernen!

---

Treten Sie meinem kostenlosen E-newsletter bei, Die Daten vergebenwo ich wöchentliche Tipps, Erkenntnisse und Ratschläge aus meiner Erfahrung als Übung teile Maschinelles LernenIngenieur. Außerdem werden Sie als Abonnent meine bekommen Kostenlose Information Science / Machine Studying Lebenslaufvorlage!

Verschieben der Daten | Egor Howell | Substanz
Ratschläge und Erkenntnisse zu Information Science, Tech und Unternehmertum. Klicken Sie hier, um die Daten zu lesen, von Egor Howell, einem…E-newsletter.egorhowell.com