您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识
机器学习前需要哪些预备知识?
概念,概率论,线性代数机器学习前需要哪些预备知识?
发布时间:2019-02-08加入收藏来源:互联网点击:
机器学习前需要哪些预备知识?
回答于 2019-09-11 08:43:50
回答于 2019-09-11 08:43:50
先决条件
机器学习的基础是数学。数学并非是一个可选可不选的理论方法,而是不可或缺的支柱。如果你是一名计算机工程师,每天使用 UML、ORM、设计模式及其他软件工程工具/技术,那么请闭眼一秒钟,忘掉一切。这并不是说这些概念不重要,绝不是!但是机器学习需要一种不同的方法。如今 Python 如此流行的原因之一是其「原型设计速度」。在机器学习中,一种使用几行代码即可建模算法的语言绝对是必要的。
微积分、线性代数、概率论在机器学习几乎所有算法中不可或缺。如果你的数学背景很扎实,请跳过这一章节。如若不然,那么重新温习一下这些重要概念也不错。考虑到理论的数量,我并不建议大家从大部头开始。尽管一开始可以用它查询具体概念,但是初学者先关注简单的话题比较好。网上有很多好的在线资源(比如 Coursera、可汗学院或优达学城),实用且适合各种背景的人群。但是我建议从提纲之类的简明书籍上手,其中所有核心概念均被涉及,次要概念可在需要的时候自行查询。这种方法虽然不够系统,但却避免了这样的缺陷:大量晦涩概念使得没有扎实理论背景的人望而却步。
初学者最好先学习下列内容:
概率论
离散型和连续型随机变量主要分布(伯努利分布、二项式分布、正态分布、 指数分布、 泊松分布、Beta 和 Gamma 分布)矩估计和最大似然估计贝叶斯统计相关性系数和协方差(Correlation and Covariance)线性代数
向量和矩阵矩阵的行列式特征向量和特征值矩阵分解(如 SVD)微积分
极限与导数微分和积分数值计算与最优化方法资源
《概率论入门》,Grinstead、Snell 著(https://www.dartmouth.edu/~chance/teaching_aids/books_articles/probability_book/amsbook.mac.pdf)《线性代数入门》,Wise、Gallagher 著(http://www.stat.columbia.edu/~liam/teaching/4315-spr06/LinAlg.pdf)《微积分入门》,Heinbockel 著(http://www.math.odu.edu/~jhh/Volume-1.PDF)下一篇:返回列表
相关链接 |
||
网友回复(共有 0 条回复) |