机器学习必备的数学基础有哪些?
2019-10-18 13:58
1331 查看
想过滤垃圾邮件,不具备概率论中的贝叶斯思维恐怕不行;
想试着进行一段语音识别,则必须要理解随机过程中的隐马尔科夫模型;
想通过观察到的样本推断出某类对象的总体特征,估计理论和大数定理的思想必须建立;
在统计推断过程中,要理解广泛采用的近似采样方法,蒙特卡洛方法以及马尔科夫过程的稳态也得好好琢磨;
想从文本中提取出我们想要的名称实体,概率图模型也得好好了解。
首先,集中力量、紧紧围绕机器学习核心算法中所涉及到的知识进行学习,做好精确打击。
然后,注重加强基础知识与算法、应用案例之间的联系,将理论和算法应用场景相互关联,形成学以致用的实践导向。
同时,运用好 Python 工具,做到和工程应用无缝对接,利用 Numpy、Scipy、Matplotlib、Pandas 等工具强化对知识的理解、提升工作效率。
概率统计是利用数据发现规律、推测未知的思想方法
线性代数是利用空间投射和表征数据的基本工具
微积分与最优化是机器学习模型中最终解决方案的落地手段
专栏作者
张雨萌:清华大学硕士/机器学习书籍作者
专栏特色
详解 6 大核心板块:概率思想、随机变量、统计推断、随机过程、采样理论、概率模型,筑牢机器学习核心基础。
教你熟练使用 Python 工具库:依托 numpy、scipy、matplotlib、pandas 工具,无缝对接工程实践。
有理论还有实战:大量实战案例与完整详细源码,反复加深概率统计思想的深刻理解。
专栏大纲及内容特色
让我们一起开始这段学习旅程!
相关文章推荐
- 学习人工智能需要哪些必备的数学基础?
- 干货 | 机器学习需要哪些数学基础?
- 学习人工智能需要哪些必备的数学基础?
- 学习人工智能需要哪些必备的数学基础?
- 学习人工智能需要哪些必备的数学基础?
- 机器学习-数学基础02
- 深度学习/机器学习入门基础数学知识整理(一):线性代数基础,矩阵,范数等
- 机器学习数学|概率论基础常见概型分布期望与方差
- 机器学习的数学基础:向量篇
- 机器学习的数学基础(2)——矩阵与线性代数
- 机器学习系列四:数学基础
- 机器学习1.3--机器学习所需要的基础数学知识
- 机器学习笔记_数学基础_5-矩阵理论
- 机器学习的数学基础(1)--Dirichlet分布
- 人工智能、机器学习及数学基础经典著作24本PDF下载地址(个别无链接请购买)
- 【备忘】冲击年薪50万之从数学基础python机器学习到深度学习算法学习路线视频教程 共321G
- 深度学习——数学与机器学习基础
- [unity3D基础篇02]必备的3D数学基础1 - 空间旋转
- 机器学习数学基础- gradient descent算法(下)
- 深度学习/机器学习入门基础数学知识整理(三):凸优化,Hessian,牛顿法