Pourriez-vous me donner quelques précisions sur l'exploration de données et les algorithmes d'intelligence artificielle? Pour quelle base mathématique ils ont utilisé? Pourriez-vous me donner un point de départ, en mathématiques, pour comprendre ces types d'algorithmes?
mathematical-statistics
references
data-mining
algorithms
artificial-intelligence
kjetil b halvorsen
la source
la source
Réponses:
Cela peut en fait sembler un peu étrange au sein de la communauté des statisticiens, mais je suis à peu près sûr que la plupart des algorithmes d'apprentissage automatique peuvent être formulés comme des problèmes de minimisation fonctionnelle. Cela signifie que cela va être couvert par l'optimisation mathématique .
L'autre chose est que vous aurez probablement besoin de calcul et d'algèbre linéaire pour comprendre ce qu'est l'optimisation. Et pour interpréter vos résultats, vous aurez de meilleures connaissances en théorie des probabilités et en statistiques .
la source
Cette question est peut-être trop large, vous devriez dire quelque chose de plus sur l'utilisation de l'exploration de données! Mais, l'exploration de données est essentiellement des statistiques, et une grande partie de l'utilisation de l'IA que j'ai vue est également des statistiques. Donc, ce dont vous avez besoin, ce sont les mathématiques dont vous avez besoin pour les statistiques: 1) calcul et analyse réelle 2) probabilité 3) Algèbre linéaire! En termes pratiques, 3) peut être le plus important, presque tout ce que vous ferez (utilisations inclusives de 1) et 2)), vous dépendrez fortement de l'algèbre linéaire. Alors, assurez-vous d'obtenir non seulement les concepts, mais les compétences de manipulation!
Beaucoup plus est utilisé, mais peut-être plus spécialisé. Il n'est donc pas logique de donner des conseils plus détaillés tant que vous n'avez pas spécialisé votre question (et appris 1), 2) et 3))
la source
Cela semble juste, quelles mathématiques devrais-je apprendre comme base pour l'apprentissage automatique?
C'est peut-être la réponse qui est large. Comme ML puise dans tant de disciplines.
D'autres ont suggéré l'algèbre linéaire, la théorie des probabilités, les statistiques, les espaces métriques et bien d'autres qui sont tous pertinents.
Une approche pratique consiste peut-être à répertorier certains des algorithmes ML les plus populaires, à les examiner et à compléter les mathématiques avec lesquelles vous vous sentez moins à l'aise.
la source