人工智能领域需要用到哪些数学
既然说的是数学,我觉得首先看切入点,如果是计算视觉,毕竟视觉是个很大的坑
1. 线性代数:
各种与线性代数相关的数学知识是肯定要掌握的。像当下大家习惯用张量来表示数据。
2.复变函数:
或者说信号与系统,图像中的滤波,相关数据的预处理,参考数字图像处理。
3.微积分:
这些是真的基础了,对其中的概念要熟稔于心,你会在无形之中用到,像机器学习很常用的loss的计算,你要在梯度下降的时候熟练的掌握各种目标函数的导数、偏导数和积分
4.概率论与数理统计:
这些都是非常基础的东西,像概率分布,KL距离等再往后面延伸还有信息论等内容它是更实用理论的基础。
5.最优化
在简单基础的应用场景下,我们希望机器学习能很好的对于事物有个归纳总结的能力,所以训练学习的过程有点像一个拟合过程,不用的应用场景对不同的目标进行优化所以肯定是基础再上一层所要具备的数学素养
6.凸优化
更进一步的优化应用
7. 组合数学
这是计算机行业的基本功
8.具体数学
一本书叫这个名字,同样应该作为通用计算机类数学基本功
9.时间序列分析
10.随机过程
亲爱的读者你们好,我是这个问答的原创作者,接下来我就会展开自己的叙述和观点,希望大家能够喜欢。
机器学习是实现人工智能的重要方法,也是推动当下人工智能发展的核心驱动力。机器学习处理实际应用案例时,不是“十八般兵器” 的堆积,而是根据具体任务,按需设计、量身定制,而做到这一点需要我们深刻理解机器学习模型以及算法背后的原理,即做到既知其然又知其所以然。
数学,作为表达与刻画机器学习模型的工具,是深入理解机器学习算法原理的必备基础。深蓝学院联合南京大学钱鸿博士与中科院自动化所肖鸿飞博士,联合推出了机器学习数学基础,现将目录发给大家,以便于大家了解机器学习中常用的数学知识。
第1章 引言
1.1 数学之于机器学习的必要性和重要性
第2章 函数求导
2.1 背景介绍
2.2 函数极限
2.3 导数
2.4 复合函数求导
编程实践:BP算法预测波士顿房价
第3章 矩阵论
3.1 背景介绍
3.2 矩阵基本运算
3.3 矩阵范数
3.4 线性方程组求解
3.5 矩阵的秩
3.6 线性空间
3.7 逆矩阵
3.8 矩阵求导
3.10 方阵的特征值与特征向量
3.11 矩阵的奇异值分解
3.12 二次型
编程实践:基于奇异值分解SVD进行智能推荐
第4章 凸优化
4.1 凸函数
4.2 对偶理论
4.3 SVM的对偶求解
编程实践:基于支持向量机 SVM 进行二分类
第5章 概率统计
5.1 背景介绍
5.2 概率基本定义
5.3 随机事件概率的常用性质
5.4 随机事件&随机变量
5.5 随机向量&KL散度
5.6 极大似然估计&朴素贝叶斯
编程实践:基于朴素贝叶斯和拉普拉斯平滑预测乳腺癌
第6章 信息论
1. 背景介绍:以决策树(DT)算法为例
2. 信息论中的基本概念 I:离散随机变量
3. 信息论中的基本概念 II:连续随机变量
编程实践:决策树算法应用于乳腺癌诊断和信用风险评级
以上的内容就是我认为学习人工智能所需要的数学知识有哪些·希望对你有帮助。