ML 数学
数学在机器学习中的主要分支包括:
- 线性函数
- 线性图
- 线性代数
- 概率
- 统计学
机器学习 = 数学
每一次 ML 的成功背后都有数学的支持。
所有 ML 模型都是使用数学的解决方案和思想构建的。
ML 的目的是创建用于理解思考的模型。
如果您想从事 ML 职业,例如
- 数据科学家
- 机器学习工程师
- 机器人科学家
- 数据分析师
- 自然语言专家
- 深度学习科学家
您应该关注这里描述的数学概念。
线性函数
- 线性表示直线
- 线性函数是一条直线
- 线性图表示一个线性函数
图形
- 图形在数学中起着重要作用
- 图形在统计学中起着重要作用
- 图形在机器学习中起着重要作用
线性代数
线性代数是数据科学的基石。
了解线性代数可以提高您理解数据科学算法的能力。
标量 | 向量 | ||||||||||||||||||||||||||
1 |
|
||||||||||||||||||||||||||
矩阵 | 张量 | ||||||||||||||||||||||||||
|
|
概率
概率是指某事发生的可能性,或者某事为真的可能性。
我有一个袋子,里面有 6 个球:3 个红色,2 个绿色,1 个蓝色。
蒙上眼睛。我拿起一个绿球的概率是多少?
可能发生的方式有 2 种(有两个绿色球)。
结果的总数是 6(有 6 个球)。
概率是 2 除以 6:2/6 = 0.333333...
概率 = 方式 / 结果
统计学
统计学是如何收集、分析、解释和呈现数据的。
统计学处理的问题例如:
- 什么最常见?
- 什么最预期?
- 什么最正常?
