Математическая база для интеллектуального анализа данных и алгоритмов искусственного интеллекта


12

Не могли бы вы дать мне некоторые разъяснения об алгоритмах интеллектуального анализа данных и искусственного интеллекта? Какую математическую базу они использовали? Не могли бы вы дать мне отправную точку в математике, чтобы понять эти типы алгоритмов?


В качестве примера Дэвид Ферруччи, который руководил победой IBM DeepQA / Watson над Jeopardy, сказал, что ему суждено стать гибридной системой: команда из 20-25 человек в течение 4 лет из разных дисциплин, включая НЛП, компьютерную лингвистику, игру теория, стохастика и оптимизация и другие дисциплины работали над этим.

Топ 10 алгоритмов в интеллектуальном анализе данных дает краткий обзор вдохновляющих и ведущих алгоритмов. Боюсь, вам нужно будет предоставить более подробную информацию (какие приложения? Какой уровень детализации?), Чтобы получить полезные ответы.
ЧЛ

Ответы:


5

Это может звучать немного странно в сообществе статистиков, но я уверен, что большинство алгоритмов машинного обучения могут быть сформулированы как проблемы функциональной минимизации. Это означает, что это будет покрыто математической оптимизацией .

Другое дело, что вам, вероятно, понадобится исчисление и линейная алгебра, чтобы понять, что такое оптимизация. И для интерпретации ваших результатов вам лучше иметь некоторый опыт в теории вероятностей и статистике .


Это чисто сообщество статистиков, есть ли лучший сайт обмена стека для машинного обучения, я не уверен, что есть специальный?
image_doctor

1
Я не знаю конкретного сайта обмена стека машинного обучения. Но в этом вы можете найти много «машинного обучения» людей (например, меня), так как статистика и машинное обучение действительно очень-очень связаны.
Дмитрий Лаптев

1

Этот вопрос может быть слишком широким, вы должны сказать больше о том, для чего вы будете использовать интеллектуальный анализ данных! Но интеллектуальный анализ данных - это, по сути, статистика, и большая часть использования ИИ, которое я видел, также является статистикой. Итак, вам нужна математика для статистики: 1) исчисление и реальный анализ 2) вероятность 3) линейная алгебра! С практической точки зрения, 3) может быть самым важным, почти все, что вы будете делать (включая 1) и 2)), вы будете сильно зависеть от линейной алгебры. Так что обязательно приобретите не только концепты, но и манипулятивные навыки!

Используется намного больше, но, возможно, более специализировано. Так что нет смысла давать более подробные советы, пока вы не специализируете свой вопрос (и не изучите 1), 2) и 3))


0

Кажется справедливым вопрос, какую математику я должен изучать как основу для машинного обучения?
Может быть, это широкий ответ. Как ML опирается на так много дисциплин.

Другие предложили, линейную алгебру, теорию вероятностей, статистику, метрические пространства и многие другие, которые все имеют отношение.

Возможно, работоспособный подход состоит в том, чтобы перечислить некоторые из самых популярных алгоритмов ML, взглянуть на них и заполнить математику, которая, по вашему мнению, вас не устраивает.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.