大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名,科大讯飞比赛第三名,CCF比赛第四名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
今天开启一个新的专栏:机器学习中的数学。之所以开此专栏,主要是将之前线上授课的内容整理成专栏,从而方便更多同学入门学习。
新学者往往处于第一境界,即把机器学习模型当作是纯粹的黑箱在使用。如果用一个关键词来概括,那就是盲目,盲目的使用各种模型来尝试解决问题。但由于功力太浅,只能使用各种baseline模型。
经过一段时间的理论和代码的学习后,往往就会达到第二境界,即能够深入理解模型及其参数,所以能够达到熟练调参的境界,但此时可能陷入到过高估计模型,并且忽视数据和业务场景的怪圈。
再经过长时间的项目或者产品的实践后,往往才能达到第三境界,即能够根据实际的需求构建完整的数据处理流程和框架,而在遇到问题或者瓶颈时,能够权衡利弊并进行灵活的调整和修正。
第四境界即为发明创造。引流潮流、开创先河方显英雄本色,比如NLP领域中的BERT和GPT模型、CV领域中的YOLO模型等。
而在机器学习中涉及到众多的数学概念,比如线性代数中的向量、矩阵、特征值和特征向量,微积分中梯度和优化,概率论与数理统计中的概率分布、p值。深入理解概念对于深入理解机器学习大有裨益,能够做到知其然知其所以然,举例来说,能够深入理解模型的局限性,就能够更好的在不同的场景中选择合适的模型。能够理解模型的基本原理,就能够根据数据分布,更好的进行模型参数优化。
本课程主要包括三部分内容,分别是线性代数、微积分和概率论。
线性代数课程中将会讲解向量、矩阵、矩阵运算、行列式、线性转换、行列式、特征值和特征向量等重要概念。学习本部分内容的关键目标是能够掌握数据的维度转换。
线性代数课程中将会讲解向量、矩阵、矩阵运算、行列式、线性转换、行列式、特征值和特征向量等重要概念。学习本部分内容的关键目标是能够掌握数据的维度转换。
微积分课程中重点讲解的是微分、梯度及其优化方法(梯度下降法和牛顿法)。有兴趣的同学可以自行深入学习最优化理论。
概率论与数理统计课程中将会重点讲解概率分布、点估计(包括极大似然估计)、区间估计和p值等重要概念。并且会深入讲解探索性数据分析(Exploratory Data Analysis,简称EDA)。
为了更好的让大家理解数学,通过可视化等直观性的方法来展示数学原理。
本文发布于:2024-01-30 03:54:15,感谢您对本站的认可!
本文链接:https://www.4u4v.net/it/170655805919042.html
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。
留言与评论(共有 0 条评论) |