Blok Bangunan Matematika dari Jaringan Neural

Matematika sangat penting dalam algoritme pembelajaran mesin apa pun dan mencakup berbagai konsep inti matematika untuk mendapatkan algoritme yang tepat yang dirancang dengan cara tertentu.

Pentingnya topik matematika untuk pembelajaran mesin dan ilmu data disebutkan di bawah -

Sekarang, mari kita fokus pada konsep matematika utama dari pembelajaran mesin yang penting dari sudut pandang Pemrosesan Bahasa Alami -

Vektor

Vektor dianggap sebagai larik bilangan yang kontinu atau diskrit dan ruang yang terdiri dari vektor disebut ruang vektor. Dimensi ruang vektor dapat berupa finite atau infinite tetapi telah diamati bahwa masalah machine learning dan data science menangani vektor dengan panjang tetap.

Representasi vektor ditampilkan seperti yang disebutkan di bawah ini -

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

Dalam pembelajaran mesin, kami menangani data multidimensi. Jadi vektor menjadi sangat penting dan dianggap sebagai fitur masukan untuk pernyataan masalah prediksi apa pun.

Scalars

Skalar disebut memiliki dimensi nol yang hanya berisi satu nilai. Untuk PyTorch, ini tidak menyertakan tensor khusus dengan dimensi nol; maka deklarasi akan dibuat sebagai berikut -

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

Matriks

Sebagian besar data terstruktur biasanya direpresentasikan dalam bentuk tabel atau matriks tertentu. Kami akan menggunakan kumpulan data yang disebut Harga Rumah Boston, yang sudah tersedia di pustaka pembelajaran mesin scikit-learn Python.

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