การเรียนรู้ของเครื่อง - ทักษะ

Machine Learning มีความกว้างมากและต้องใช้ทักษะในหลายโดเมน ทักษะที่คุณต้องได้รับเพื่อเป็นผู้เชี่ยวชาญด้าน Machine Learning มีดังต่อไปนี้ -

• Statistics
• ทฤษฎีความน่าจะเป็น
• Calculus
• เทคนิคการเพิ่มประสิทธิภาพ
• Visualization

ความจำเป็นของทักษะต่างๆของการเรียนรู้ของเครื่อง

เพื่อให้คุณทราบสั้น ๆ เกี่ยวกับทักษะที่คุณต้องได้รับให้เราพูดถึงตัวอย่างบางส่วน -

สัญกรณ์คณิตศาสตร์

อัลกอริธึมการเรียนรู้ของเครื่องส่วนใหญ่จะขึ้นอยู่กับคณิตศาสตร์เป็นหลัก ระดับคณิตศาสตร์ที่คุณต้องรู้น่าจะเป็นแค่ระดับเริ่มต้น สิ่งที่สำคัญคือคุณควรจะสามารถอ่านสัญกรณ์ที่นักคณิตศาสตร์ใช้ในสมการได้ ตัวอย่างเช่น - หากคุณสามารถอ่านสัญกรณ์และเข้าใจความหมายคุณก็พร้อมสำหรับการเรียนรู้แมชชีนเลิร์นนิง ถ้าไม่คุณอาจต้องฝึกความรู้คณิตศาสตร์ของคุณ

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

$$ \ displaystyle \\\ max \ LIMIT _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ LIMIT_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ LIMIT_ { ผม j = 1} ^ m label ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: label ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {array} {c} i \\ \ end {array} \ ขวา), x ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ rangle \ end {bmatrix} $$

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

ทฤษฎีความน่าจะเป็น

นี่คือตัวอย่างเพื่อทดสอบความรู้ในปัจจุบันของคุณเกี่ยวกับทฤษฎีความน่าจะเป็น: การจำแนกประเภทด้วยความน่าจะเป็นแบบมีเงื่อนไข

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

ด้วยคำจำกัดความเหล่านี้เราสามารถกำหนดกฎการจำแนกแบบเบย์ -

• ถ้า P (c1 | x, y)> P (c2 | x, y) คลาสคือ c1
• ถ้า P (c1 | x, y) <P (c2 | x, y) คลาสคือ c2

ปัญหาการเพิ่มประสิทธิภาพ

นี่คือฟังก์ชันการเพิ่มประสิทธิภาพ

$$ \ displaystyle \\\ max \ LIMIT _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ LIMIT_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ LIMIT_ { ผม j = 1} ^ m label ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: label ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {array} {c} i \\ \ end {array} \ ขวา), x ^ \ left (\ begin {array} {c} j \\ \ end {array} \ right) \ rangle \ end {bmatrix} $$

ภายใต้ข้อ จำกัด ดังต่อไปนี้ -

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

หากคุณสามารถอ่านและทำความเข้าใจข้างต้นได้แสดงว่าคุณพร้อมแล้ว

การแสดงภาพ

ในหลายกรณีคุณจะต้องเข้าใจพล็อตการแสดงภาพประเภทต่างๆเพื่อทำความเข้าใจการกระจายข้อมูลของคุณและตีความผลลัพธ์ของผลลัพธ์ของอัลกอริทึม

นอกเหนือจากแง่มุมทางทฤษฎีข้างต้นของแมชชีนเลิร์นนิงแล้วคุณยังต้องมีทักษะการเขียนโปรแกรมที่ดีในการเขียนโค้ดอัลกอริทึมเหล่านั้น

การใช้ ML ต้องใช้อะไรบ้าง? ให้เราดูในบทถัดไป