Mathematische Bausteine ​​neuronaler Netze

Mathematik ist in jedem Algorithmus für maschinelles Lernen von entscheidender Bedeutung und umfasst verschiedene Kernkonzepte der Mathematik, um den richtigen Algorithmus auf eine bestimmte Art und Weise zu entwickeln.

Die Bedeutung von Mathematikthemen für maschinelles Lernen und Datenwissenschaft wird nachstehend erwähnt -

Konzentrieren wir uns nun auf die wichtigsten mathematischen Konzepte des maschinellen Lernens, die aus Sicht der Verarbeitung natürlicher Sprache wichtig sind:

Vektoren

Der Vektor wird als Array von Zahlen betrachtet, das entweder stetig oder diskret ist, und der Raum, der aus Vektoren besteht, wird als Vektorraum bezeichnet. Die Raumdimensionen von Vektoren können entweder endlich oder unendlich sein, es wurde jedoch beobachtet, dass sich maschinelles Lernen und datenwissenschaftliche Probleme mit Vektoren fester Länge befassen.

Die Vektordarstellung wird wie folgt angezeigt -

temp = torch.FloatTensor([23,24,24.5,26,27.2,23.0])
temp.size()
Output - torch.Size([6])

Beim maschinellen Lernen beschäftigen wir uns mit mehrdimensionalen Daten. Vektoren werden daher sehr wichtig und werden als Eingabemerkmale für jede Vorhersageproblemaussage betrachtet.

Skalare

Skalare haben Nulldimensionen, die nur einen Wert enthalten. Wenn es um PyTorch geht, enthält es keinen speziellen Tensor mit Nulldimensionen. daher wird die Erklärung wie folgt abgegeben:

x = torch.rand(10)
x.size()
Output - torch.Size([10])

Matrizen

Die meisten strukturierten Daten werden normalerweise in Form von Tabellen oder einer bestimmten Matrix dargestellt. Wir werden einen Datensatz namens Boston House Prices verwenden, der in der Python Scikit-Learn-Bibliothek für maschinelles Lernen verfügbar ist.

boston_tensor = torch.from_numpy(boston.data)
boston_tensor.size()
Output: torch.Size([506, 13])
boston_tensor[:2]
Output:
Columns 0 to 7
0.0063 18.0000 2.3100 0.0000 0.5380 6.5750 65.2000 4.0900
0.0273 0.0000 7.0700 0.0000 0.4690 6.4210 78.9000 4.9671
Columns 8 to 12
1.0000 296.0000 15.3000 396.9000 4.9800
2.0000 242.0000 17.8000 396.9000 9.1400