Maschinelles Lernen - Fähigkeiten
Maschinelles Lernen hat eine sehr große Breite und erfordert Fähigkeiten in mehreren Bereichen. Die Fähigkeiten, die Sie erwerben müssen, um Experte für maschinelles Lernen zu werden, sind nachstehend aufgeführt:
- Statistics
- Wahrscheinlichkeitstheorien
- Calculus
- Optimierungstechniken
- Visualization
Notwendigkeit verschiedener Fähigkeiten des maschinellen Lernens
Um Ihnen eine kurze Vorstellung davon zu geben, welche Fähigkeiten Sie erwerben müssen, lassen Sie uns einige Beispiele diskutieren -
Mathematische Notation
Die meisten Algorithmen für maschinelles Lernen basieren stark auf Mathematik. Das Niveau der Mathematik, das Sie kennen müssen, ist wahrscheinlich nur ein Anfängerlevel. Wichtig ist, dass Sie die Notation lesen können, die Mathematiker in ihren Gleichungen verwenden. Zum Beispiel: Wenn Sie die Notation lesen und verstehen können, was sie bedeutet, sind Sie bereit, maschinelles Lernen zu lernen. Wenn nicht, müssen Sie möglicherweise Ihre mathematischen Kenntnisse auffrischen.
$$ f_ {AN} (net- \ theta) = \ begin {case} \ gamma & if \: net- \ theta \ geq \ epsilon \\ net- \ theta & if - \ epsilon <net- \ theta <\ epsilon \\ - \ gamma & if \: net- \ theta \ leq- \ epsilon \ end {case} $$
$$ \ displaystyle \\\ max \ limit _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limit_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limit_ { i, j = 1} ^ m label ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: label ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {array} {c} i \\ \ end {array} \ rechts), x ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ rangle \ end {bmatrix} $$
$$ f_ {AN} (net- \ theta) = \ left (\ frac {e ^ {\ lambda (net- \ theta)} - e ^ {- \ lambda (net- \ theta)}} {e ^ { \ lambda (net- \ theta)} + e ^ {- \ lambda (net- \ theta)}} \ right) \; $$
Wahrscheinlichkeitstheorie
Hier ist ein Beispiel, um Ihre aktuellen Kenntnisse der Wahrscheinlichkeitstheorie zu testen: Klassifizieren mit bedingten Wahrscheinlichkeiten.
$$ p (c_ {i} | x, y) \; = \ frac {p (x, y | c_ {i}) \; p (c_ {i}) \;} {p (x, y) \ ;} $$
Mit diesen Definitionen können wir die Bayes'sche Klassifikationsregel definieren -
- Wenn P (c1 | x, y)> P (c2 | x, y) ist, ist die Klasse c1.
- Wenn P (c1 | x, y) <P (c2 | x, y) ist, ist die Klasse c2.
Optimierungsproblem
Hier ist eine Optimierungsfunktion
$$ \ displaystyle \\\ max \ limit _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limit_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limit_ { i, j = 1} ^ m label ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: label ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {array} {c} i \\ \ end {array} \ rechts), x ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ rangle \ end {bmatrix} $$
Vorbehaltlich der folgenden Einschränkungen -
$$ \ alpha \ geq0 und \: \ displaystyle \ sum \ limit_ {i-1} ^ m \ alpha_ {i} \ cdot \: label ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) = 0 $$
Wenn Sie das Obige lesen und verstehen können, sind Sie fertig.
Visualisierung
In vielen Fällen müssen Sie die verschiedenen Arten von Visualisierungsdiagrammen verstehen, um Ihre Datenverteilung zu verstehen und die Ergebnisse der Ausgabe des Algorithmus zu interpretieren.
Neben den oben genannten theoretischen Aspekten des maschinellen Lernens benötigen Sie gute Programmierkenntnisse, um diese Algorithmen zu codieren.
Was braucht es also, um ML zu implementieren? Lassen Sie uns dies im nächsten Kapitel untersuchen.