АААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААААА! Машинное обучение :) :)

Подождите, какая МАТЕМАТИКА : | : |

Машинное обучение — очень привлекательно и модно. Концепция, с которой каждый мечтает поступить в свою карьеру. Давайте сначала рассмотрим, что именно это означает, а затем, что наиболее важно, препятствия, с которыми столкнулись.

В нашей повседневной жизни мы много слышим об опыте, как он важен! Мы принимаем решения на основе нашего прошлого опыта или данных, которые мы собираем из различных источников, возможно, это сплетни. Подобно людям, эта гигантская техника позволяет машинам учиться и принимать решения на основе прошлого опыта и доступных данных. По сути, она направлена ​​на воспроизведение действий, требующих человеческого познания.

Мы все знаем об экспертной системе, которая является явной, т. е. основана на правилах, она работает по фиксированной программе, но в настоящее время современные задачи требуют современных и умных решений, поэтому появилось машинное обучение.

Артур Сэмюэл в 1959 году определил машинное обучение как область исследования, которая дает компьютерам возможность обучаться без явного программирования.

ИИ — очень обширная тема, и машинное обучение — одна из его подмножеств. ML — это, по сути, программа, которая работает лучше с опытом. Возможно, вы слышали об ANN (искусственной нейронной сети). это один из алгоритмов машинного обучения, в котором глубокое обучение является типом ИНС.

Подумайте о методе ранжирования страниц Google, рекомендациях продуктов Amazon, рекламе YouTube — все это работает с вашей историей поиска, интересами, рейтингом продукта и т. д., что позволяет пользователю находить более соответствующий контент, а продавцу — увеличивать свой доход.

Но переломным моментом для многих энтузиастов машинного обучения является сильная зависимость машинного обучения от математики. Да, ML — это в основном модель, основанная на математике.

Вот некоторые из математических концепций, используемых в машинном обучении:

  • Сначала линейная алгебра (скаляры, векторы, тензоры, нормы, линейные комбинации, размах, линейная независимость).
  • Операции с матрицами: это очень важно, поскольку многие вычисления выполняются с матрицами, и для этих данных данные явно преобразуются в матричную форму. Например. преобразование изображения в вектор для обработки и другие задачи.
  • Теория вероятностей: (дискретные и непрерывные, случайные величины, теорема Байеса, цепное правило вероятности и т. д.)
  • Некоторые другие темы включают: дисперсию, ковариацию, регрессию, производные, градиент, гессиан, якобиан, ряд Тейлора и т. д.

Многие технократы очень энергично начинают ML, но заканчивают его неполным из-за неуверенности в математике или из-за страха перед ним. Я думаю, что вы должны нанести ему удар хотя бы один раз, но очень сильно, поверьте мне, вы достигнете того, о чем мечтали.

ВЫВОД

Машинное обучение — это очень обширная область, и в нее проводится много исследований, на самом деле ИИ был предметом исследований людей в течение последних многих лет, и он охватывает широкий спектр приложений в нашей жизни.

Моя цель состоит в том, чтобы охватить его с основ и углубиться, надеюсь, вам понравилась эта статья и вы найдете свой способ начать. В следующих статьях мы увидим парадигму машинного обучения и типы подходов к обучению.

А пока НАСЛАЖДАЙТЕСЬ МАШИННЫМ ОБУЧЕНИЕМ