Makine Öğrenimine (Finansta teori ve uygulama) daha da derinleştirmek istiyorum. Makine Öğrenimi için temel olarak karmaşık analiz ve fonksiyonel analizin ne kadar alakalı olduğunu sormak istiyorum. Bu konuları öğrenmem gerekiyor mu yoksa kendimi başka bir konuya mı yoğunlaştırmalıyım (eğer öyleyse, hangisine?)
Yanıtlar:
Makine Öğrenmesinin en önemli ön koşullarının Doğrusal Cebir , Optimizasyon (hem sayısal hem de teorik) ve Olasılıklar olduğunu söyleyebilirim .
Ortak makine öğrenimi algoritmalarının (LASSO, Elastik Ağ, SVM'ler olduğunu düşünüyorum) uygulamalarının ayrıntılarını okursanız, denklemler büyük ölçüde çeşitli kimliklere dayanır (bir optimizasyon probleminin ikili formu, doğrusal cebirden kaynaklanan çeşitli formüller) ve uygulama, degrade iniş gibi tekniklere aşina olmanızı gerektirir.
Olasılıklar hem PAC Öğrenim Çerçevesinde hem de her test çalışmanızda olmalıdır.
Ancak, ancak o zaman, fonksiyonel analiz işe yarayabilir. Özellikle çekirdekler üzerinde çalışırken (ve gösterim teoremlerini kullanırken).
Karmaşık analiz ile ilgili olarak, makine öğreniminde bu alandan kaynaklanan önemli teoremlerin büyük kullanımının farkında değilim (birisi yanılıyorsam beni düzeltir).