機械学習-スキル

機械学習の幅は非常に広く、複数のドメインにわたるスキルが必要です。機械学習のエキスパートになるために習得する必要のあるスキルは次のとおりです。

Statistics
確率論
Calculus
最適化手法
Visualization

機械学習のさまざまなスキルの必要性

習得する必要のあるスキルについて簡単に説明するために、いくつかの例について説明します。

数学表記

機械学習アルゴリズムのほとんどは、数学に大きく基づいています。あなたが知る必要のある数学のレベルは、おそらく初心者レベルです。重要なのは、数学者が方程式で使用する表記法を読めるようにすることです。たとえば、表記を読んでその意味を理解できれば、機械学習を学ぶ準備ができています。そうでない場合は、数学の知識を磨く必要があるかもしれません。

$$ f_ {AN}（net- \ theta）= \ begin {cases} \ gamma＆if \：net- \ theta \ geq \ epsilon \\ net- \ theta＆if- \ epsilon <net- \ theta <\イプシロン\\-\ gamma＆if \：net- \ theta \ leq- \ epsilon \ end {cases} $$

$$ \ displaystyle \\\ max \ limits _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limits_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limits_ { i、j = 1} ^ m label ^ \ left（\ begin {array} {c} i \\ \ end {array} \ right）\ cdot \：label ^ \ left（\ begin {array} {c} j \\ \ end {array} \ right）\ cdot \：a_ {i} \ cdot \：a_ {j} \ langle x ^ \ left（\ begin {array} {c} i \\ \ end {array} \右）、x ^ \ left（\ begin {array} {c} j \\ \ end {array} \ right）\ rangle \ end {bmatrix} $$

$$ f_ {AN}（net- \ theta）= \ left（\ frac {e ^ {\ lambda（net- \ theta）}-e ^ {-\ lambda（net- \ theta）}} {e ^ { \ lambda（net- \ theta）} + e ^ {-\ lambda（net- \ theta）}} \ right）\; $$

確率論

確率論の現在の知識をテストする例を次に示します。条件付き確率による分類。

$$ p（c_ {i} | x、y）\; = \ frac {p（x、y | c_ {i}）\; p（c_ {i}）\;} {p（x、y）\ ;} $$

これらの定義を使用して、ベイズ分類ルールを定義できます。

P（c1 | x、y）> P（c2 | x、y）の場合、クラスはc1です。
P（c1 | x、y）<P（c2 | x、y）の場合、クラスはc2です。

最適化問題

これが最適化関数です

以下の制約に従う-

$$ \ alpha \ geq0、and \：\ displaystyle \ sum \ limits_ {i-1} ^ m \ alpha_ {i} \ cdot \：label ^ \ left（\ begin {array} {c} i \\ \ end {配列} \ right）= 0 $$

上記を読んで理解できれば、準備は完了です。