机器学习: 引言
听过人们谈论过机器学习, 但对它的概念却是一知半解?
想要从零开始机器学习, 却被网络上的海量资源冲昏头脑?
不用担心, 我们给你们提供了机器学习从 0 到 1 系列, 这个系列可以让你从入门到精通.
现在就开始学习吧!
. . .
这份指南是为了那些对机器学习感兴趣, 但不知如何开始的朋友们准备的. 我想大多厌倦在网上搜索大量资料的人都会有挫败感, 也放弃了有人能指引他们如何入门的希望.
这个系列的目标, 就是教会你们从初学者的角度, 正确学习机器学习.
. . .
为什么说数学是必须的?
机器学习建立在一些数学的基础课程上的, 比如 微积分, 线性代数, 概率论, 统计学和最优化 . 这篇文章旨在帮助你们学习一些基本概念, 并提供一个可在 Jupiter Notebook 上使用 python 程序设计语言的可操作方法.
第 1 步 : 线性代数
线性代数是在计算机里设计优化算法的一种方式 -- 可以解决 线性系统约束 问题.
线性代数中你需要了解的概念:
- #1 矩阵的秩;
- #2 矩阵向量积;
- #3 矩阵的列空间和零空间;
- #4 特征值和特征向量;
- #5 矩阵的奇异值分解;
这是一个了解线性代数概念的速查表:
第 2 步: 概率论和数理统计
这一数学分支是用来解决 随机分布量 问题的.
概率论与数理统计中你需要了解的概念:
概率论:
- #1 计数方法和组合方法;
- #2 贝叶斯理论;
- #3 随机变量;
- #4 期望;
- #5 方差;
- #6 条件分布和联合分布;
- #7 矩量母函数;
- #8 指数型分布族;
数理统计:
- #1 最大似然估计;
- #2 最大后验概率;
- #3 先验概率和后验概率;
- #4 抽查法;
- #5 吉布斯现象;
- #6 平均数, 众数, 中位数, 方差;
这是一个了解概率论和数理统计概念的速查表 :
- #1 向量值函数
- #2 偏导函数
- #3 梯度
- #4 方向梯度
- #5 黑塞算子
- #6 雅各比算子
- #7 拉普拉斯算子(低量算子)
- #8 拉格朗日乘子
- #1 熵
- #2 互信息
- #3 信息增益
- #4 KL 散度(相对熵)
来源: http://www.tuicool.com/articles/RNfMzam