本课程将介绍一些实际的ML算法。然而，我们将把重点放在这些算法建立的基础数学概念上。特别是，要真正理解关于ML的任何东西，您需要非常好地掌握。

-微积分,

-线性代数，还有

-概率推理(即概率的数学理论和如何使用它)。

  • 我们将深入探讨应用数学分支的关键部分，并在ML的背景下。
  • 更具体地说，本课程的数学主题可以分为四个基本的学科领域:
  • 数据表示和将数据映射到决策、估计或两者的操作符。我们将从线性表示的深入讨论开始;它们本身就很重要/有用，也被用作非线性表示的构建块。这就是我们需要大量线性代数及其扩展的地方。
  • 估计。从数据集中估计一个参数是什么意思?我们将尽量用统计学的语言，把这个问题建立在一个牢固的数学基础上。
  • 建模。
  • 计算。最后，我们将看看如何计算解决ML中出现的问题。我们将从优化中了解一些基本的算法，并从数值线性代数中了解一些代数技术。

 

资源链接

https://skim.math.msstate.edu/LectureNotes/Machine_Learning_Lecture.pdf 

内容中包含的图片若涉及版权问题，请及时与我们联系删除