Машинное обучение — навыки

Машинное обучение имеет очень большую ширину и требует навыков в нескольких областях. Навыки, которые вам необходимо приобрести, чтобы стать экспертом в области машинного обучения, перечислены ниже —

• Статистика
• Теории вероятностей
• Исчисление
• Методы оптимизации
• Визуализация

Необходимость различных навыков машинного обучения

Чтобы дать вам краткое представление о том, какие навыки вам необходимо приобрести, давайте обсудим несколько примеров:

Математическая запись

Большинство алгоритмов машинного обучения в значительной степени основаны на математике. Уровень математики, который вам нужно знать, вероятно, только начальный уровень. Важно то, что вы должны быть в состоянии прочитать обозначения, которые математики используют в своих уравнениях. Например — если вы можете прочитать нотацию и понять, что это значит, вы готовы к обучению машинному обучению. Если нет, возможно, вам придется освежить свои знания по математике.

$$f_ {AN} (net- \ theta) = \ begin {case} \ gamma & if \: net- \ theta \ geq \ epsilon \\ net- \ theta & if - \ epsilon <net- \ theta <\ epsilon \\ - \ gamma & if \: net- \ theta \ leq- \ epsilon \ end {case}$$

 displaystyle max limit alpha beginbmatrix displaystyle sum limitmi=1 alpha− frac12 displaystyle sum limitmi,j=1метка left( beginarrayci endarray right) cdotметка left( beginarraycj endarray right) cdotai cdotaj langlex left( beginarrayci endarray справа),x left( beginarraycj endarray right) rangle endbmatrix $$\ displaystyle \\\ max \ limit _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limit_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limit_ { i, j = 1} ^ m метка ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: метка ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {array} {c} i \\ \ end {array} \ справа), x ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ rangle \ end {bmatrix}$$

fAN(net− тета)= влево( гидроразрывае Lambda(net− тета)−е− Lambda(net− тета)е лямбда(net− тета)+е− Lambda(net− тета) справа) $$f_ {AN} (net- \ тета) = \ влево (\ гидроразрыва {е ^ {\ Lambda (net- \ тета)} - е ^ {- \ Lambda (net- \ тета)}} {{е ^ \ лямбда (net- \ тета)} + е ^ {- \ Lambda (net- \ тета)}} \ справа) \;$$

Теория вероятности

Вот пример, чтобы проверить ваши текущие знания теории вероятностей: Классификация с условными вероятностями.

р(Cя|х,у) = гидроразрывар(х,у|Cг)р(Cя)р(х,у)  $$р (C_ {я} | х, у) \ = \ гидроразрыва {р (х, у | C_ {г}) \; р (C_ {я}) \;} {р (х, у) \ }$$

С помощью этих определений мы можем определить правило байесовской классификации —

• Если P (c1 | x, y)> P (c2 | x, y), класс c1.
• Если P (c1 | x, y) <P (c2 | x, y), класс c2.

Задача оптимизации

Вот функция оптимизации

 displaystyle max limit alpha beginbmatrix displaystyle sum limitmi=1 alpha− frac12 displaystyle sum limitmi,j=1метка left( beginarrayci endarray right) cdotметка left( beginarraycj endarray right) cdotai cdotaj langlex left( beginarrayci endarray справа),x left( beginarraycj endarray right) rangle endbmatrix $$\ displaystyle \\\ max \ limit _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limit_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limit_ { i, j = 1} ^ m метка ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: метка ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {array} {c} i \\ \ end {array} \ справа), x ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ rangle \ end {bmatrix}$$

С учетом следующих ограничений —

 alpha geq0и displaystyle sum limitmi−1 alphai cdotметка left( beginarrayci endмассив справа)=0 $$\ alpha \ geq0 и \: \ displaystyle \ sum \ limit_ {i-1} ^ m \ alpha_ {i} \ cdot \: метка ^ \ left (\ begin {array} {c} i \\ \ end {массив} \ справа) = 0$$

Если вы можете прочитать и понять вышеизложенное, у вас все настроено.

Визуализация

Во многих случаях вам нужно будет понимать различные типы графиков визуализации, чтобы понять распределение ваших данных и интерпретировать результаты вывода алгоритма.

Помимо вышеупомянутых теоретических аспектов машинного обучения, вам нужны хорошие навыки программирования для написания этих алгоритмов.

Так что же нужно для реализации ML? Давайте посмотрим на это в следующей главе.