ปัญญาประดิษฐ์ได้รับความสำคัญในทศวรรษที่ผ่านมามีจำนวนมากขึ้นอยู่กับการพัฒนาและบูรณาการของ AI ในชีวิตประจำวันของเรา ความคืบหน้าของ AI ที่ได้ทำไปแล้วนั้นน่าประหลาดใจมากกับรถยนต์ที่ขับเคลื่อนด้วยตัวเองการวินิจฉัยทางการแพทย์และแม้แต่พนันกับมนุษย์ในเกมวางแผนอย่าง Go and Chess
อนาคตของ AI นั้นสดใสและไม่ไกลจากตอนที่เรามีสหายหุ่นยนต์ของเราเอง สิ่งนี้ทำให้นักพัฒนาจำนวนมากเริ่มเขียนรหัสและเริ่มพัฒนาโปรแกรม AI และ ML อย่างไรก็ตามการเรียนรู้การเขียนอัลกอริธึมสำหรับ AI และ ML นั้นไม่ใช่เรื่องง่ายและต้องมีการเขียนโปรแกรมอย่างกว้างขวางและมีความรู้ทางคณิตศาสตร์
คณิตศาสตร์มีบทบาทสำคัญในการสร้างรากฐานสำหรับการเขียนโปรแกรมสำหรับสตรีมทั้งสองนี้
มีหลายเหตุผลที่คณิตศาสตร์มีความสำคัญต่อการเรียนรู้ของเครื่อง บางส่วนของพวกเขาอยู่ด้านล่าง:
การเลือกอัลกอริทึมที่เหมาะสมซึ่งรวมถึงการพิจารณาถึงความถูกต้องเวลาการฝึกอบรมความซับซ้อนของแบบจำลองจำนวนพารามิเตอร์และจำนวนของคุณสมบัติ การเลือกการตั้งค่าพารามิเตอร์และกลยุทธ์การตรวจสอบ การระบุ underfitting และ overfitting โดยการทำความเข้าใจ Bias-Variance tradeoff การประมาณช่วงความมั่นใจที่ถูกต้องและความไม่แน่นอน
คณิตศาสตร์ประเภทใดที่จำเป็นสำหรับการเรียนรู้ของเครื่อง?
คณิตศาสตร์เป็นสิ่งจำเป็นอย่างยิ่งสำหรับการเรียนรู้ของเครื่องหรือปัญญาประดิษฐ์ ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับแนวคิดและอัลกอริทึมใน ML จำเป็นต้องมีความรู้พื้นฐานทางคณิตศาสตร์
ทฤษฎีทางคณิตศาสตร์หลักสามประการ: พีชคณิตเชิงเส้น, แคลคูลัสหลายตัวแปรและทฤษฎีความน่าจะเป็น
พีชคณิตเชิงเส้น -
สัญลักษณ์พีชคณิตเชิงเส้นใช้ในการเรียนรู้ของเครื่องเพื่ออธิบายพารามิเตอร์และโครงสร้างของอัลกอริทึมการเรียนรู้ของเครื่องที่แตกต่างกัน สิ่งนี้ทำให้พีชคณิตเชิงเส้นเป็นสิ่งจำเป็นในการทำความเข้าใจว่าเครือข่ายประสาทเทียมถูกนำมารวมกันอย่างไรและทำงานอย่างไร
มันครอบคลุมหัวข้อต่าง ๆ เช่น:
สเกลาร์, เวกเตอร์, เมทริกซ์, เทนเซอร์เมทริกซ์บรรทัดฐานเมทริกซ์และเวกเตอร์พิเศษค่าลักษณะเฉพาะและ Eigenvectors หลายตัวแปรแคลคูลัส -
สิ่งนี้ใช้เพื่อเสริมส่วนการเรียนรู้ของการเรียนรู้ของเครื่อง เป็นสิ่งที่ใช้ในการเรียนรู้จากตัวอย่างอัปเดตพารามิเตอร์ของรุ่นต่าง ๆ และปรับปรุงประสิทธิภาพ
มันครอบคลุมหัวข้อต่าง ๆ เช่น:
อนุพันธ์เชิงบูรณาการการไล่ระดับสีผู้ประกอบการที่แตกต่างกันทฤษฎีการเพิ่มประสิทธิภาพความน่าจะเป็นนูน -
ทฤษฎีที่ใช้ในการตั้งสมมติฐานเกี่ยวกับข้อมูลพื้นฐานเมื่อเราออกแบบการเรียนรู้ลึกหรืออัลกอริทึม AI เป็นสิ่งสำคัญสำหรับเราที่จะเข้าใจการแจกแจงความน่าจะเป็นที่สำคัญ
มันครอบคลุมหัวข้อต่าง ๆ เช่น:
องค์ประกอบของความน่าจะเป็นตัวแปรสุ่มการแจกแจงความแปรปรวนและความคาดหวังตัวแปรสุ่มพิเศษวิธีการเรียนรู้คณิตศาสตร์สำหรับการเรียนรู้ของเครื่องได้อย่างรวดเร็ว?
วิธีการเรียนรู้คณิตศาสตร์สำหรับวิทยาศาสตร์ข้อมูลแบบเริ่มต้นด้วยตนเองคือการเรียนรู้ด้วยการ“ ทำอะไร” ถึงอย่างนั้นคุณจะต้องเรียนรู้หรือทบทวนทฤษฎีพื้นฐานก่อน คุณไม่จำเป็นต้องอ่านหนังสือทั้งเล่ม แต่คุณจะต้องเรียนรู้แนวคิดหลักก่อน
ในฐานะที่เป็นข้อกำหนดเบื้องต้นที่อ่อนนุ่มฉันถือว่าความสะดวกสบายขั้นพื้นฐานกับพีชคณิตเชิงเส้น / เมทริกซ์แคลคูลัส (ดังนั้นคุณไม่ต้องติดอยู่กับโน้ต) และความน่าจะเป็นเบื้องต้น
ถ้าคุณต้องการที่จะเรียนรู้คณิตศาสตร์สำหรับการเรียนรู้ของเครื่องจักรอย่างล้ำลึกมีหลักสูตรออนไลน์จำนวน n หลักสูตรเช่น
พีชคณิตเชิงเส้นของ Khan Academy ความน่าจะเป็นและสถิติแคลคูลัสหลายตัวแปรและการเพิ่มประสิทธิภาพ
พื้นฐานคณิตศาสตร์สำหรับการเรียนรู้ของเครื่องและ AI บน eduonix
เรียนรู้ Machine Learning Maths Behind on udemy
การเข้ารหัสเมทริกซ์: พีชคณิตเชิงเส้นผ่านการประยุกต์ใช้วิทยาการคอมพิวเตอร์โดย Philip Klein, Brown University
หนังสือของ Larry Wasserman - สถิติทั้งหมด: หลักสูตรรัดกุมในการอนุมานเชิงสถิติ
จำไว้ว่าคุณเรียนรู้สิ่งที่ดีที่สุดด้วยการทำและน่าเศร้าที่หลักสูตรเหล่านี้ไม่มีการบ้านและการบ้านที่เพียงพอ
สิ่งที่ฉันแนะนำคือพื้นฐานคณิตศาสตร์สำหรับการเรียนรู้ของเครื่องและ AI - หลักสูตรนี้ไม่ใช่หลักสูตรคณิตศาสตร์เต็มรูปแบบ ไม่ได้ออกแบบมาเพื่อแทนที่การศึกษาคณิตศาสตร์ของโรงเรียนหรือวิทยาลัย แต่จะมุ่งเน้นไปที่แนวคิดทางคณิตศาสตร์ที่สำคัญที่คุณจะพบในการศึกษาการเรียนรู้ของเครื่อง
สิ่งที่คุณจะได้เรียนรู้:
และอีกมากมาย……
ในตอนท้ายของหลักสูตรนี้คุณจะไม่เพียง แต่มีความรู้ในการสร้างอัลกอริทึมของคุณเอง แต่ยังมั่นใจที่จะเริ่มวางอัลกอริทึมของคุณเพื่อใช้ในโครงการต่อไปของคุณ
หลักสูตรนี้มาพร้อมกับโครงการและแบบทดสอบเพื่อช่วยเสริมความรู้เกี่ยวกับแนวคิดทางคณิตศาสตร์ของคุณ
มันถูกออกแบบมาเพื่อเติมเต็มช่องว่างสำหรับนักเรียนที่พลาดแนวคิดที่สำคัญเหล่านี้เป็นส่วนหนึ่งของการศึกษาในระบบของพวกเขาหรือผู้ที่ต้องการฟื้นฟูความทรงจำของพวกเขาหลังจากหยุดพักจากการเรียนคณิตศาสตร์
ฉันคิดว่าหลักสูตรนี้ดีกว่าการลงทุน 2 ถึง 3 เดือนอ่านเนื้อหาตอนเริ่มต้นแล้วลืมสิ่งที่เรียนรู้ไปครึ่งหนึ่งเมื่อคุณพบ
พยายามเข้าใจแนวคิดพื้นฐานที่แสดงและจำไว้เสมอว่าให้สนุก!