Veri madenciliği ve yapay zeka algoritmaları için matematik tabanı


12

Veri madenciliği ve yapay zeka algoritmaları hakkında biraz açıklama yapabilir misiniz? Hangi matematik temelini kullandılar? Bu tür algoritmaları anlamak için matematikte bana başlangıç ​​noktası verebilir misiniz?


Bir örnek vermek gerekirse, IBM DeepQA / Watson'un Jeopardy kazanmasına öncülük eden David Ferrucci, bunun melez bir sistem olmaya mahkum olduğunu söyledi: NLP, hesaplamalı dilbilim, oyun da dahil olmak üzere birçok disiplinden 4 yıl boyunca 20-25 kişilik bir ekip teorisi, stokastikler ve optimizasyon ve diğer disiplinler üzerinde çalıştı.

Veri madenciliğinde en iyi 10 algoritma , ilham verici ve önde gelen algoritmalara nazik bir genel bakış sağlar. Korkarım faydalı cevaplar almak için daha fazla ayrıntı vermeniz gerekecek (hangi uygulamalar? Hangi ayrıntılar?).
chl

Yanıtlar:


5

Bu aslında istatistikçiler topluluğu içinde biraz garip gelebilir, ancak makine öğrenme algoritmalarının çoğunun fonksiyonel bir minimizasyon problemi olarak formüle edilebileceğinden eminim. Bu, bunun matematiksel optimizasyonla ele alınacağı anlamına gelir .

Diğer şey , optimizasyonun ne olduğunu anlamak için muhtemelen matematik ve doğrusal cebire ihtiyacınız olacaktır . Sonuçlarınızı yorumlamak için olasılık teorisi ve istatistiklerinde daha iyi bir geçmişe sahip olmalısınız .


Bu tamamen istatistikçi bir topluluk mu, makine öğrenen insanlar için daha iyi bir yığın değişim sitesi var mı, özel bir tane olduğundan emin değilim?
image_doctor

1
Belirli bir makine öğrenimi yığın değişim sitesini bilmiyorum. Ancak bununla birlikte, istatistik ve makine öğrenimi gerçekten çok bağlantılı olduğundan, birçok "makine öğrenimi" insanı (örneğin ben) bulabilirsiniz.
Dmitry Laptev

1

Bu soru belki geniştir, veri madenciliğini ne için kullanacağınız hakkında daha fazla bir şey söylemelisiniz! Ancak, veri madenciliği aslında istatistiktir ve gördüğüm yapay zeka kullanımının çoğu da istatistiktir. Yani, ihtiyacınız olan matematik istatistik için ihtiyacınız olan matematik: 1) matematik ve gerçek analiz 2) olasılık 3) Doğrusal cebir! Pratik açıdan, 3) en önemli olabilir, neredeyse ne yapacak olursanız olun (1'in ve 1'in dahil kullanımı) ve 2)) büyük ölçüde lineer cebire bağımlı olacaksınız. Yani, sadece kavramları değil, manipülatif beceriyi aldığınızdan emin olun!

Çok daha fazlası kullanılıyor, ama belki daha uzman. Bu nedenle, sorunuzu uzmanlaşana kadar (ve 1, 2) ve 3) öğrendikçe daha ayrıntılı tavsiye vermek mantıklı değildir.


0

Bu adil bir soru gibi görünüyor, makine öğrenimi için bir temel olarak hangi matematiği öğrenmeliyim?
Belki de geniş cevap budur. ML pek çok disiplinden alındığı için.

Diğerleri, Lineer Cebir, Olasılık Teorisi, İstatistikler, Metrik Uzaylar ve hepsi ilgili diğerlerini önerdi.

Belki de uygulanabilir bir yaklaşım, en popüler ML algoritmalarının bazılarını listelemek ve daha az rahat hissettiğiniz matematiği doldurmaktır.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.