简单总结：机器学习涉及的数学知识有线性代数，概率论和统计学，多变量微积分，算法和复杂优化，以及其他等。
在过去几个月里，有几个人联系过我，说他们渴望进军数据科学领域，使用机器学习 (ML) 技术探索统计规律，并打造数据驱动的完美产品。但是，据我观察，一些人缺乏必要的数学直觉和框架，无法获得有用的结果。这是我决定写这篇博客文章的主要原因。最近，易用的机器学习和深度学习工具包急剧增加，比如scikit-learn、Weka、Tensorflow、R-caret等。机器学习理论是一个涵盖统计、概率、计算机科学和算法方面的领域，该理论的初衷是以迭代方式从数据中学习，找到可用于构建智能应用程序的隐藏洞察。尽管机器学习和深度学习有巨大的发展潜力，但要深入掌握算法的内部工作原理并获得良好的结果，就必须透彻地了解许多技术的数学原理。
为什么担忧数学？
出于许多原因，机器学习的数学原理很重要，下面重点介绍部分原因：
- 选择正确的算法，这涉及到考虑准确率、训练时间、模型复杂性、参数数量和特征数量。
- 选择参数设置和验证策略。
- 通过理解偏差-方差权衡，识别欠拟合和过拟合。
- 估算正确的置信区间和不确定性。
您需要多高的数学知识水平？
在尝试理解诸如机器学习这样的跨学科领域时，需要考虑的主要问题是，理解这些技术需要多大的数学知识量和多高的数学知识水平。此问题的答案涉及多个维度，而且取决于个人的知识水平和兴趣。对机器学习的数学公式和理论发展的研究从未间断过，一些研究人员正在研究更高级的技术。我将介绍我认为成为机器学习科学家/工程师所需的最低数学知识水平，以及每个数学概念的重要性。
- 线性代数：同事 Skyler Speakman 最近说“线性代数是 21 世纪的数学”，我完全同意这种说法。在机器学习中，线性代数无处不在。要理解用于机器学习的优化方法，需要掌握许多主题，比如主成份分析 (PCA)、奇异值分解 (SVD)、矩阵特征分解、LU 分解、QR 分解/因式分解、对称矩阵、正交化/标准正交化、矩阵运算、投影、特征值和特征矢量、矢量空间，以及范数。关于线性代数，令人惊奇的是网上有如此多的资源。我总是说，由于互联网上存在大量资源，传统的课堂教学正在消亡。我最喜欢 MIT Courseware（Gilbert Strang 教授）提供的线性代数课。
- 概率论和统计学：机器学习与统计学并不是完全不同的领域。实际上，有人最近将机器学习定义为‘在 Mac 上实践统计学’。机器学习需要的一些基本的统计和概率理论包括组合学、概率规则和公理、贝叶斯定理、随机变量、方差和预期、条件和联合分布、标准分布（伯努利、二项式、多项式、均匀和高斯分布）、矩母函数、最大似然估计 (MLE)、先验和后验、最大后验概率估计 (MAP)，以及采样方法。
- 多变量微积分：一些必要的主题包括微积分、偏微分、矢量-值函数、方向梯度、海赛函数、雅可比行列式、拉普拉斯算子和拉格朗日分布。
- 算法和复杂优化：这对理解机器学习算法的计算效率和可伸缩性，以及利用数据集的稀疏性都很重要。需要数据结构（二叉树、哈希运算、堆、堆栈等）、动态编程、随机化和次线性算法、图表、梯度/随机下降，以及原对偶方法的知识。
- 其他：包括上述 4 个主要领域未涵盖的其他数学主题。这些主题包括实数和复数分析（集合和数列、拓扑、度量空间、单值和连续函数、极限、柯西核、傅里叶变换），信息论（熵、信息增益），函数空间和数集。
一些研究机器学习中需要的部分数学主题的在线 MOOC 和材料包括：
- Khan Academy 的线性代数、概率论和统计学、多变量微积分，以及优化。
- 矩阵编码：线性代数在计算机科学中的应用，由布朗大学的 Philip Klein 提供。
- 线性代数 - 前沿科学的基础，由德克萨斯大学的 Robert van de Geijn 提供。
- 线性代数应用，第 1 部分和第 2 部分。戴维森学院 Tim Chartier 开设的一门新课。
- Joseph Blitzstein - 哈佛大学统计学 110 讲稿。
- Larry Wasserman 的著作 - 统计学完全教程：统计推断简明课程。
- Boyd 和 Vandenberghe 在斯坦福大学的凸优化课程。
- edX 上的“线性代数 - 前沿科学的基础”。
- Udacity 的统计学介绍。
最后，本博客的主要目的是提供有关数学在机器学习中的重要性的善意建议，以及必要的主题和掌握这些主题所需的有用资源。但是，一些机器学习爱好者不懂数学，很可能发现本文让人感到泄气（老实讲，这不是我的初衷）。对于初学者，不需要大量数学知识即可开始从事机器学习工作。正如这篇博客中介绍的，基本前提是数据分析，您可以不断学习数学知识，掌握更多技术和算法。
扫一扫
7850
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
