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