¿Necesitas ser bueno en matemáticas para ser bueno en aprendizaje automático?

Existe una interpretación funcional completamente gráfica de los algoritmos de ML que puede llevarlo lejos. En la práctica, muchos problemas de aprendizaje automático se pueden resolver con información sobre la salud y un par de consultas en la base de datos. Como regla general, puede obtener el 70% del camino con la heurística, 80-90% con el aprendizaje automático de caja negra. Y el resto del camino con ajustes y mejoras. Para superar ese último 10%, necesitará algo más que habilidades de aprendizaje automático de caja negra y tiempo para el caso.

Conocer la teoría siempre es útil, pero también lo es la experimentación. Existen múltiples interpretaciones de muchas cosas y conocer tantas como sea posible siempre es beneficioso. En qué orden los aprende es algo arbitrario y depende de la tarea en cuestión.

No dude en aprender y practicar el aprendizaje automático, si inicialmente está luchando con la teoría. También puedes ser selectivo. Algunos algoritmos de aprendizaje automático, como las redes neuronales y el aprendizaje profundo, o los árboles de decisión tienen mucho menos teoría para ellos y puede tener mucho más éxito con un enfoque funcional / algorítmico / procesal. Las técnicas e interpretaciones bayesianas por lo general requieren una gran formación matemática.

Quiero convencerlo de que puede comenzar y hacer un gran progreso en el aprendizaje automático sin ser fuerte en matemáticas. Las matemáticas son la base básica para aprender el aprendizaje automático.

principalmente temas importantes de matemáticas:

• álgebra
• Probabilidad y Estadística
• cálculo

programación:

R, PITÓN, ALGORITMOS

ahora, después de tener el control sobre los temas anteriores, puede pasar al aprendizaje automático, mejor aprender de los cursos en línea.

Te sugiero los mejores CURSOS EN LÍNEA DE APRENDIZAJE DE MÁQUINAS

• Machine Learning AZ ™: Python práctico y R en ciencia de datos
• Bootcamp de ciencia de datos y aprendizaje automático con R
• Aprendizaje automático para ciencia de datos

Elige el primer curso.

de este curso puedes aprender sobre:

• Parte 1: preprocesamiento de datos
• Parte 2: Regresión: Regresión lineal simple, Regresión lineal múltiple, Regresión polinómica, SVR, Regresión de árbol de decisión, Regresión forestal aleatoria
• Parte 3 – Clasificación: Regresión logística, K-NN, SVM, Kernel SVM, Naive Bayes, Clasificación del árbol de decisión, Clasificación aleatoria del bosque
• Parte 4 – Agrupación: K-medias, agrupación jerárquica
• Parte 5 – Aprendizaje de reglas de asociación: Apriori, Eclat
• Parte 6 – Aprendizaje de refuerzo: límite de confianza superior, muestreo de Thompson
• Parte 7 – Procesamiento del lenguaje natural: modelo de bolsa de palabras y algoritmos para PNL
• Parte 8 – Aprendizaje profundo: redes neuronales artificiales, redes neuronales convolucionales
• Parte 9 – Reducción de dimensionalidad: PCA, LDA, Kernel PCA
• Parte 10 – Selección y refuerzo del modelo: validación cruzada k-fold, ajuste de parámetros, búsqueda de cuadrícula, XGBoost

Y TAMBIÉN…

• Programando con R
• Funciones R avanzadas
• Uso de marcos de datos R para resolver tareas complejas
• Use R para manejar archivos de Excel
• Web scraping con R
• Conecte R a SQL
• Use ggplot2 para visualizaciones de datos
• Use plotly para visualizaciones interactivas
• Aprendizaje automático con R, que incluye:
• Regresión lineal
• K vecinos más cercanos
• K significa agrupamiento
• Árboles de decisión
• Bosques al azar
• Twitter de minería de datos
• Redes neuronales y aprendizaje profundo
• Soporte de máquinas Vectore
• ¡y mucho, mucho más!

libros sugeridos para el aprendizaje automático:

• Aprendizaje automático práctico con Scikit-Learn y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes por Aurélien Géron
• scikit-learn, aMachine Learning for Absolute Beginners: A Plain English Introduction por Oliver Theobald

TODO LO MEJOR…

Solo necesita matemática básica para comenzar, como manipulaciones matriciales y probabilidad de nivel de pregrado. Sin embargo, conocer las matemáticas permite un mejor análisis de datos.

• Comprender la relación entre pares de covariables es útil con matrices de correlación y diagramas de dispersión
• determinar la relación entre covariables regresivas y variables de respuesta categórica requiere construir e interpretar diagramas de caja.
• La comprensión de las distribuciones normales y uniformes ayuda a determinar aún más la distribución de datos (sesgo y curtosis).
• La selección de variables implica determinar el mejor subconjunto de covariables para elegir para el análisis. La importancia de estas covariables se deduce de la puntuación Z o las puntuaciones t de los coeficientes correspondientes, que a su vez se utilizan para calcular los coeficientes de significación (valores p). Estos valores p determinan si una covariable se mantiene o descarta.
• Las técnicas de regularización usan las matemáticas (término usado muy libremente) como la norma L1 (lazo) o la norma L2 (cresta) para penalizar las estimaciones de coeficientes, evitando un problema de alta varianza.

La lista continua. Por supuesto, no necesita conocer los detalles de implementación arenosos. Esto se trata como un recuadro negro en muchos paquetes de software y bibliotecas (python, scikit-learn, Tensorflow). No necesita muchas matemáticas para comenzar, pero comprender los conceptos matemáticos fundamentales puede llevarlo muy lejos.

No mucho.

El requisito matemático para los ingenieros de aprendizaje automático es muy exagerado.

No construimos los modelos, solo los llamamos y eso también se aplica a las redes neuronales profundas y a los modelos tradicionales.

La mayoría de los ingenieros de aprendizaje automático parecen programadores de Python en lugar de estadísticos o científicos de datos.

Cuando estaba aprendiendo TensorFlow, un curso en línea de álgebra lineal me ayudó porque un tensor es simplemente una matriz multidimensional.

Las matrices son estructuras simples, pero agregarles dimensiones las confunde más.

Si eres nuevo en el campo y quieres aprender los algos básicos en este espacio, mira este curso gratuito.

Una introducción al aprendizaje automático para ingenieros de datos

No necesariamente. Las pruebas y obtener el 100% en las pruebas no son necesarias, pero se necesita un conocimiento conceptual de muchas áreas relacionadas con el cálculo, el álgebra lineal, la estadística y la teoría de la probabilidad para comprender los algoritmos para resolver problemas, aplicar adecuadamente a un conjunto de datos dado y Desarrollar nuevos algoritmos.

Necesitas que las matemáticas sean muy buenas para un investigador de aprendizaje automático, pero para ser un ingeniero de aprendizaje automático, necesitas más habilidades de programación y consultoría para resolver el problema comercial del cliente.

Depende de lo que quieras decir con “bueno”. No tienes que ser un experto en matemáticas si eso es lo que estás preguntando. Si tuviera que caracterizar, entonces debería ser capaz de tomar un curso de Matemáticas BSc y aprobar con una calificación decente. Y no todo necesita ser conocido. Solo hago hincapié en los siguientes cursos: cálculo, álgebra lineal, teoría de la probabilidad, optimización lineal y convexa.

Depende de qué nivel de comprensión esté buscando. Podría aplicar una API de aprendizaje automático de la que haya oído hablar sin comprender las matemáticas detrás de ella, pero el resultado puede, pero probablemente no sea, óptimo. Intente aprender sobre ML, pero principalmente comience a practicar, y comenzará a tener una idea al escuchar cómo otros han resuelto problemas similares y los resultados que han obtenido.

En particular, si desea poder verificar y validar que los modelos generados por datos funcionan, qué tan bien funcionan y cómo interpretar los resultados de los modelos en diferentes contextos.

Odiaba las matemáticas cuando estaba en la escuela y me convertí en estudiante de inglés. Ojalá si mi maestra nos enseñara qué cosas geniales como el aprendizaje automático puedes hacer con las matemáticas, en lugar de ejercicios aburridos y secos. Con motivación superé mi aversión inicial y ahora amo las matemáticas. Pero sí, necesitas matemáticas.

Si. Para comenzar, debe conocer los conceptos básicos de Álgebra lineal, Probabilidad y teoría de la información, Estadística y Análisis numérico. Puedes encontrar todo esto en Deep Learning