机器学习是否需要完整扎实的数学基础?sea的博客

线代高数概率论高数,微积分,线代,概率论,运筹学(优化)

微积分、线性代数、概率与统计、矩阵和数值分析、优化方法线代,微积分,概率论,数理统计,一些算法思想的数学基础

微积分,线性代数,概率与统计,最优化方法建议读5~6遍,哈哈

这是基础,高等点做研究的,需要学习randomdata,

概率论贝叶斯,微积分泰勒公式,泛函分析,pca,实变函数等等

理解线代,概率与统计,凸优化

基本上就可以完成一个机器学习项目了

如果你的目标是成为一位偏工程的engineer,那么其实数学基础没有那么重要;如果你的目标是成为一位优秀的AIResearcher,也希望将来在企业做研发的工作,那我想扎实的数学能力是必要的。但是不管是上述哪两个position,对于基本的学习算法的理论都是需要牢固掌握的,需要能够做到遇到问题,分析问题并且用相应的方式去解决问题。LZ在实验室里做研究,那么初期其实要求没有那么高,没有必要去刻意补充大量数学课,我个人觉得直接学习对应的机器学习/深度学习课程就好,这儿网上有很多有用的课程资源,比如CS224n,CS231,李宏毅机器学习等。认真坚持下来,在videos和slides学理论,在assignments中学习实践,我想慢慢就适应了这个学习过程!后面,直接研读你相应领域的文献即可,在不断复现论文的过程中试错、思考与成长!

研究的话,像搞优化理论的,涉及到变分推断的,随机过程的,等等,这些数学要求就会大于本科的那几门大家都要学的数学课。其他方向的话,学好微积分,线性代数,概率论勉强够用。搞cv,nlp的如果不是很硬核的话也不用学太多。然后是像ICML,NIPS,AAAI,IJCAI这些会议的数学要求比较高。具体到某个应用的会议,比如cvpr,eccv等,理论部分要求会低一些。文科转的话,可能基础那几门还要好好再学学,打牢基础。其实未来去向如果是工业界搞开发,以你现在的情况,会编程,能快速实现算法最重要。

原回答:不需要,我就会点高数线代概率论

我认为不需要,任何基于兴趣的入门都不是把全套理论学透了才开始干。我是先学的机器学习,然后惊叹于她逻辑的的精巧,爱上了机器学习,后来自己探索才发现,这些点其实是数学。所以我认为数学是机器学习的灵魂,但我们不需要完整扎实的理论才能去做。

如果是应用,可以先学会实现,现成的应该不难,很多东西都是做着做着才学会,也有可能你都做完了,做过很多遍就懂了。一些基本的数学概念还是要的。。。如果是搞机器学习基础算法研发的,这就不用问了,想来你应该不会搞这个

数学很重要!数学可以说是目前一切学科发展的基础。机器学习算法很在程度上都是用数学公式推导出来的,所以不会数学是不行的。当然我们在用机器学习算法时候,如果只是调参的话,确实用不到数学,在实际工作中,很多机器学习工程师都是依靠经验来做的,真正依靠数学的不多。工业界很多机器学习任务都是利用现有的理论模型和框架进行修改调整来完成的,并不需要特别深的数学功底,只要你能把别人的论文进行复现,能够达到非常不错的预期效果。在学术界数学公式是必须的,写论文没有数学公式做依据,得出结论总让人感觉不靠谱,学术界更侧重于创新,写论文时候基本要求都有创新这一点,必须得有一定的创新,否则就难毕业,或者投稿难中。看你是想往那方面发展了,其实也不必专门去拿一本数学书一直看,为避免本末倒置,还是可以先学习机器学习,在学习过程中遇到了哪些公式不理解,专门去寻找资料,在实际应用中学习数学能够达到更好的效果,专门学习数学可能数学还没学完就放弃了,或者渐渐忘记学数学的目的。

最低的要求,微积分,线代,概率论

往上还有统计,优化,博弈论

需要,感觉学学高数,概率论,线代也就一个多月吧,主要是把公式推推。

机器学习是一个多学科交杂的领域,涉及概率论、统计学、计算机、算法等,对于数学需要一定基础,比如在选择哪种算法,要考虑模型复杂度、参数选择、特征选择,估计参数的置信区间等等,都需要数学理论基础来解答。机器学习这个方向要做好是需要扎实的理论来实现,但是如果要入门机器学习不需要对数学有很大的恐惧,干中学也是一个方法,用到哪些理论深入学习,多做复盘,慢慢完善个人的理论体系,简言之,要做好是一定需要扎实的基础的。处。

THE END
1.算法基础MOOC中国Q: 学这门课需要数学基础吗? A: 不需要,是算法课,不是数学课。有高中数学知识足矣。 Q: 这门课的程序用什么语言编写? 学这门课是否一定要会C++? A: 课堂的例程都是用C++编写的,要看懂需要一定C++的知识。至于完成作业,用C, C++, Java,Pascal语言都可以。 https://www.mooc.cn/course/1516.html
2.2020年深度学习算法工程师面经(微软阿里商汤滴滴华为简单分为深度学习、机器学习基础、图像处理基础、数学基础、算法基础、程序设计语言、模型部署、HR面试以及与我本人简历相关的目标检测、属性识别、Kaggle及天池的比赛、创新想法等几个部分介绍。可能开始会有重叠或者分类不恰当,后面会逐渐更新完善。其中第一篇先介绍到HR面试,第二篇介绍个人相关的项目和比赛部分。https://maimai.cn/article/detail?fid=1514590373&efid=Oph3033j5Qs70xHZdz0sGA
3.关于机器学习,这可能是目前最全面最无痛的入门路径和资源!1、机器学习第一语言Python 2、机器学习中数学基础 3、机器学习算法基础 4、深度学习框架基础 再次强调,我本文中提及所有知识点和资源,仅仅是让你入门机器学习,如果想要走更远,那肯定是远远不够的,我们还是要继续努力才可以呢! 话不多说,我们出发吧! https://www.36kr.com/p/5109465.html
4.从零开始:机器学习的数学原理和算法实践本书从数学基础知识入手,通过前3章的介绍,帮助读者轻松复习机器学习涉及的数学知识;然后,通过第4~第13章的介绍,逐步讲解机器学习常见算法的相关知识,帮助读者快速入门机器学习;最后,通过第14章的综合实践,帮助读者回顾本书内容,进一步巩固所学知识。 本书适合对机器学习感兴趣但数学基础比较薄弱的读者学习,也适合作为https://www.epubit.com/bookDetails?id=UB77b8ad3a2522b
5.开玩笑,数学没用论?程序员的需要掌握的数学知识人工智能跟开发 APP 、后台服务器、前端相比,人工智能需要大量的数学知识。一般都需要用到哪些呢? 微积分线性代数概率论最优化关于书籍,特别说明一下,除非你是数学知识遗忘的特别厉害了,或者是本科的时候没有学过相关数学知识,或者你对数学有强烈的https://mp.weixin.qq.com/s?__biz=Mzg2MTAwMTI3MA==&mid=2247494583&idx=1&sn=462acbdf6d593a354cba9c97f2e0a501&chksm=ce1f68eef968e1f80d84bf917c2c70f52ab73678666ce81bff2c3b6c281d2851d43e15393976&scene=27
6.学习机器需要学数学基础吗?学习机器前要先学什么?了解这些数学知识,能够帮助您更好地理解机器学习算法的原理,加深对算法的理解和应用,提高模型的效果。 当然,对于初学者来说,可以通过一些入门的机器学习课程来学习相关知识,也可以使用现有的机器学习工具和库进行实践。但是,如果想要深入研究机器学习,还是需要有扎实的数学基础。 https://blog.csdn.net/gp16674213804/article/details/129231855
7.数据挖掘需要什么数学基础(一)在学习数据挖掘的时候,我们一定要掌握一些数学基础,毕竟数据挖掘中涉及到了很多的算法。说到这里我们要给大家说一说数据挖掘的概念,数据挖掘就是从大量数据中获取隐含的、潜在的是有价值信息的过程,数据挖掘也是这些年计算机领域主要的研究内容。那么数据挖掘需要什么数学基础呢?下面我们就为大家讲解一下这些知识。 https://www.cda.cn/view/26462.html
8.算法工程师需要学什么(通用7篇)关键词:电气工程师要学什么,电气工程师需要学什么 电气工程师需要学什么: 1、基础知识的学习:高等数学、流体力学、普通物理、计算机应用基础、普通化学、电工电子技术、理论力学、工程经济、材料力学、电路与电磁场、模拟电子技术、数字电子技术、电气工程基础。 https://www.360wenmi.com/f/filew0a3us7m.html
9.算法工程师要学什么常见问题算法工程师必备七大技能:数据结构和算法编程语言数学基础算法设计与分析分布式系统机器学习和深度学习软件工程实践,助力解决计算机科学和工业中的复杂问题。 算法工程师必修技能 算法工程师是计算机科学领域的专业人员,负责设计、分析和实现高效算法来解决计算问题。要成为一名合格的算法工程师,需要掌握以下核心技能: 1. 数据https://m.php.cn/faq/816502.html
10.俄罗斯的数学为什么这么强?从读者需求出发,精心提炼机器学习所需数学基础知识 无门槛,通俗易懂,注重读者感受,既好学,又实用 基于Python,从应用角度阐述数学在机器学习中的应用 选用大量工程实践案例,打通数学基础与机器学习间的壁垒 本书系统地阐述机器学习的数学基础知识,但并非大学数学教材的翻版,而是以机器学习算法为依据,选取数学知识,并从应http://www.broadview.com.cn/article/420045
11.人民日报:用好算法,迈向智能社会目前,算法的不断进步主要基于大数据。我国在人工智能领域拥有数据量庞大的优势,有助于机器学习发展。与此同时,提高算法创新能力必须重视基础研究,重视数学的独特作用和价值。数学不仅为算法创新提供模型和工具,也为算法的发展提供思想源泉。算法应用场景也会对数学理论提出新的问题与挑战。发展新的数学理论和工具来解决相关https://kjt.shaanxi.gov.cn/kjzx/mtjj/276381.html
12.想学ai怎么样入门?从哪入手?要学习人工智能(AI),可以从以下几个方面入手: 1. 基础知识: - 数学基础:需要掌握线性代数、概率论和数理统计等数学知识,这些是理解机器学习和深度学习算法的基础。 - 编程基础:至少要熟悉一种编程语言,如Python或C++。Python尤其在AI领域应用广泛,因为其丰富的库https://www.hnbyed.com/ai/4991.html
13.深度学习:基础要求与必备技能然而,深度学习作为一门结合了机器学习、统计学、计算机科学等多个领域的学科,需要一定的基础。那么,想学习深度学习需要什么样的基础呢?本文将就此展开讨论。深度学习的基础要求 数学基础深度学习本质上是基于统计学、线性代数、微积分、概率论等数学理论的一门学科。因此,想学习深度学习,你需要对这些数学基础知识有一定https://developer.baidu.com/article/detail.html?id=1849633
14.手把手教你,做算法工程师需要哪些数学知识?今天和大家聊一个老生常谈的话题,学算法需要多少数学能力。 误区 谈到这个话题,估计很多同学会说,学算法啊,对数学的要求应该很高吧? 甚至之前还在知乎里看到这么一个问题,有人提问:我想学算法,我到底是应该报数学系呢,还是计算机系?我想估计也有不少同学有这样的困扰。 https://cloud.tencent.com/developer/article/2083695
15.机器学习和深度学习之数学基础线性代数是机器学习和深度学习算法的数学基础之一,这个系列的文章主要描述在AI算法中可能涉及的线性代数相关的基本概念和运算。本文主要参考Garrett Thomas(2018),Marc Peter Deisenroth(2018),Strang(2003),José Miguel Figueroa-O’Farrill, Isaiah Lankham(UCD, MAT67,2012)等教授的相关讲座和教材。本文的主要内容包https://www.jianshu.com/p/2134923e1f5b
16.统计学习方法(豆瓣)喜欢读"统计学习方法"的人也喜欢· ··· 利用Python进行数据分析8.6 数学之美8.7 集体智慧编程9.0 凸优化9.4 R语言实战8.8 Machine Learning9.1 统计自然语言处理(第2版)8.6 动手学深度学习9.2 数据科学实战8.0 算法导论(原书第3版)9.3 当前版本有售· ··· 得到 9.90https://book.douban.com/subject/10590856/
17.中国工程物理研究院研究生院博士学历,具有量子模拟,量子算法,量子纠错或错误缓解等相关研究的经验,或者具有量子多体系统计算的经验(熟悉量子蒙卡计算者优先),或者具有机器学习和优化算法的经验。 方向三:可靠性理论和试验的物理数学基础 合作导师:孙昌璞、关雪飞 方向简介:研究可靠性理论的统计物理及概率推断基础,研究失效率曲线科学构建的统计物理基https://gscaep.ac.cn/subPage/rencaizm.html?id=2160