Analyse complexe, analyse fonctionnelle pour une meilleure compréhension du Machine Learning

Je souhaite approfondir le Machine Learning (théorie et application en Finance). Je veux savoir dans quelle mesure l' analyse complexe et l'analyse fonctionnelle sont pertinentes comme base de l'apprentissage automatique? Dois-je apprendre ces sujets ou dois-je me concentrer sur un autre sujet (si oui, sur quoi?)

Je dirais que les pré-requis les plus importants pour l'apprentissage automatique sont l'algèbre linéaire , l' optimisation (numérique et théorique) et les probabilités .

Si vous lisez les détails des implémentations d'algorithmes courants d'apprentissage automatique (je pense à LASSO, Elastic Net, SVM), les équations s'appuient fortement sur diverses identités (forme double d'un problème d'optimisation, diverses formules issues de l'algèbre linéaire) et la mise en œuvre nécessite que vous soyez familiarisé avec des techniques telles que la descente de gradient.

Les probabilités sont indispensables à la fois dans le PAC Learning Framework et à chaque fois que vous étudiez des tests.

Alors, alors seulement, l'analyse fonctionnelle peut être utile. Surtout lorsque vous étudiez des noyaux (et utilisez des théorèmes de représentation).

Concernant l'analyse complexe, je ne suis pas au courant d'une utilisation importante de théorèmes importants issus de ce domaine dans le machine learning (quelqu'un me corrige si je me trompe).