Basic Mathematics for Machine Learning
1.0.0
El motivo detrás de la creación de este repositorio es sentir el miedo a las matemáticas y hacer lo que quieras hacer en el aprendizaje automático, el aprendizaje profundo y otros campos de la IA.
En este repositorio demostré conceptos básicos de álgebra, cálculo, estadísticas y probabilidad. Por lo tanto, pruebe este código en su cuaderno de Python que se proporciona en el curso EDX.
En este repositorio también aprenderá las bibliotecas que son esenciales como numpy, pandas, matplotlib ...
Voy a subir material nuevo cuando encuentro que ese material es útil, también puede ayudarme a mantener este repositorio fresco.
Hay muchas razones por las cuales las matemáticas del aprendizaje automático son importantes y destacaré algunas de ellas a continuación:
Seleccionar el algoritmo correcto que incluye dar consideraciones a la precisión, el tiempo de entrenamiento, la complejidad del modelo, el número de parámetros y el número de características.
Elegir la configuración de parámetros y las estrategias de validación.
Identificar el poco acorralado y el sobreajuste al comprender la compensación de sesgo-varianza.
Estimando el intervalo de confianza y la incertidumbre correctas.
Un científico, Skyler Speakman, dijo recientemente que "el álgebra lineal es la matemática del siglo XXI" y estoy totalmente de acuerdo con la declaración. En ML, el álgebra lineal aparece en todas partes. Temas como el análisis de componentes principales (PCA), la descomposición del valor singular (SVD), la composición de la matriz de una matriz, la descomposición de LU, la descomposición/factorización de QR, las matrices simétricas, la ortogonalización y la ortonormalización, las operaciones de la matriz, las procedimientos, las valores de las valores extravensos y los eigenvectores, los espacios de vectoras y las normas y las normas de las normas son necesarios para comprender los métodos de optimización utilizados para el aprendizaje automático. Lo sorprendente de álgebra lineal es que hay tantos recursos en línea. Siempre he dicho que el aula tradicional está muriendo debido a la gran cantidad de recursos disponibles en Internet. Mi curso favorito de álgebra lineal es el que ofrece MIT Courseware (Prof. Gilbert Strang).
El aprendizaje automático y las estadísticas no son campos muy diferentes. En realidad, alguien definió recientemente el aprendizaje automático como 'haciendo estadísticas en una Mac'. Parte de la teoría estadística y de probabilidad fundamental necesaria para ML son combinatorios, reglas de probabilidad y axiomas, teorema de Bayes, variables aleatorias, varianza y expectativa, distribuciones condicionales y conjuntas, distribuciones estándar (Bernoulli, binomial, multinomial, uniforme y gausiano), momento, momento), momento Funciones de generación, estimación de máxima probabilidad (MLE), anterior y posterior, máximo A Estimación posteriori (MAP) y métodos de muestreo.
Algunos de los temas necesarios incluyen cálculo diferencial e integral, derivados parciales, funciones de valores vectoriales, gradiente direccional, distribución de Hessian, jacobian, laplacian y lagrangian.
Esto es importante para comprender la eficiencia computacional y la escalabilidad de nuestro algoritmo de aprendizaje automático y para explotar la escasez en nuestros conjuntos de datos. Conocimiento de estructuras de datos (árboles binarios, hash, montón, pila, etc.), programación dinámica, algoritmo aleatorizado y sublíneo, gráficos, descensos de gradiente/estocástico y métodos primarios-duales.
Esto se compone de otros temas matemáticos no cubiertos en las cuatro áreas principales descritas anteriormente. Incluyen análisis reales y complejos (conjuntos y secuencias, topología, espacios métricos, funciones de valor único y continuo, límites, kernel de Cauchy, transformaciones de Fourier), teoría de la información (entropía, ganancia de información), espacios de función y colectores.
