Как развить мат. аппарат до минимального уровня для машинного обучения и дата саенс?

Question

[hiva_uz]

Чтобы заниматься по серьезному и анализировать машинное обучение надо в целом иметь неплохой мат аппарат.

Линейка, статистика - как развить эти вещи до минимального необходимого уровня? чтобы не учить ненужные абстрактные вещи вроде манифолдов, а именно то что нужно?

Comments

[JhaoDa]

Для начала бы развить искусство ставить пробелы после запятых и точек...

[ilovemaryjane]

JhaoDa, это ерунда. Главное НЕ ставить пробелы ПЕРЕД запятыми и точками, вот это реально больно!

[JhaoDa]

ilovemaryjane, и не поспоришь :)

Answer 1

[⚡ Kotobotov ⚡]

ой да не нужно там никакого аппарата, нужно понять как матрицы умножать/делить(условно), ну и как вероятность посчитать, там буквально за час можно все необходимые понятия и инструменты освоить, дальше прорешиваешь прикладные задачи, смотришь как их другие решали - ежедневно года 2-3 так решаешь и становишься более менее специалистом.

Comments

[Владимир Проскурин]

А как нормализовать данные под определенный алгоритм, если не понимать его работу? Ну, разве что методом тыка. За эти 2-3 года вы наверное незаметно для себя и получили эту математическую базу.

[hiva_uz]

⚡ Kotobotov ⚡ а где решения прикладных задач есть ? где смотрите сами?

[⚡ Kotobotov ⚡]

hiva_uz, соревнования, опен сорс проекты, свои проекты/стартапы
но лучше думаю начинать с соревнований по анализу данных.

Answer 2

[aRegius]

Именно для минимального необходимого уровня там не так уж много нужно. Обратите внимание на книгу, которая, на мой взгляд, является как хорошей стартовой площадкой для DS в целом, так и может оказаться актуальной, в частности, в контексте вашего вопроса: Principles of Data Science

Answer 3

[xmoonlight]

Научитесь читать формулы.
Эти таблицы мат.знаков - есть на википедии.
Потом - будете понимать: о чём пишут в публикациях по ML.
И уже после - будете проектировать алгоритм.
И только в самом конце - кодить.

Answer 4

[Максим Васильев]

Весь датасаенс основан на тервере и статистике. В особо извращённой форме.

Теория информации нужна для хоть какого-то понимания работы нейросетей и прочего deep learning. Копать тут надо начиная от information bottleneck theory by Naftali Tishbi et al. Но это не точно :-)

Линейная алгебра и матан используются исключительно утилитарно, на уровне умножения матриц/тензоров и вычисления производных/градиентов. А также для понимания вообще принципов параметрической оптимизации ("нелинейного программирования").

Ну и, разумеется, основы алгоритмов и структур данных, и их асимптотический анализ.

На всяких образовательных платформах типа edx, coursera, udacity нынче есть "специализации" (micromasters, nanodegree) по теме датасаенс, которые какраз включают всё необходимое, и именно в минимально необходимом объёме. Иногда даже сильно меньше, но задают направлениe.