机器学习 - 技能
机器学习的宽度非常大,需要跨多个领域的技能。下面列出了成为机器学习专家所需掌握的技能 -
- 统计数据
- 概率论
- 结石
- 优化技术
- 可视化
机器学习各种技能的必要性
为了让您简要了解需要获得哪些技能,让我们讨论一些例子 -
数学符号
大多数机器学习算法都很大程度上基于数学。您需要了解的数学水平可能只是初级水平。重要的是您应该能够阅读数学家在方程中使用的符号。例如,如果您能够阅读符号并理解其含义,那么您就已经准备好学习机器学习了。如果没有,您可能需要温习数学知识。
f_{AN}(net-\theta)=\begin{cases}\gamma & if\:net-\theta \geq \epsilon\\net-\theta & if - \epsilon< net-\theta <\ epsilon\\ -\gamma & if\:net-\theta\leq- \epsilon\end{情况}
\displaystyle\\\max\limits_{\alpha}\begin{bmatrix}\displaystyle\sum\limits_{i=1}^m \alpha-\frac{1}{2}\displaystyle\sum\limits_{ i,j=1}^m 标签^\left(\begin{array}{c}i\\ \end{array}\right)\cdot\:label^\left(\begin{array}{c}j \\ \end{array}\right)\cdot\:a_{i}\cdot\:a_{j}\langle x^\left(\begin{array}{c}i\\ \end{array}\右),x^\left(\begin{array}{c}j\\ \end{array}\right)\rangle \end{bmatrix}
fAN(net−θ)=(eλ(net−θ)−e−λ(net−θ)eλ(net−θ)+e−λ(net−θ))
概率论
这是一个测试您当前概率论知识的示例:用条件概率进行分类。
p(ci|x,y)=p(x,y|ci)p(ci)p(x,y) ;
通过这些定义,我们可以定义贝叶斯分类规则 -
- 如果 P(c1|x, y) > P(c2|x, y) ,则类别为 c1 。
- 如果 P(c1|x, y) < P(c2|x, y) ,则类别为 c2 。
最优化问题
这是一个优化函数
\displaystyle\\\max\limits_{\alpha}\begin{bmatrix}\displaystyle\sum\limits_{i=1}^m \alpha-\frac{1}{2}\displaystyle\sum\limits_{ i,j=1}^m 标签^\left(\begin{array}{c}i\\ \end{array}\right)\cdot\:label^\left(\begin{array}{c}j \\ \end{array}\right)\cdot\:a_{i}\cdot\:a_{j}\langle x^\left(\begin{array}{c}i\\ \end{array}\右),x^\left(\begin{array}{c}j\\ \end{array}\right)\rangle \end{bmatrix}
受以下限制 -
\alpha\geq0,and\:\displaystyle\sum\limits_{i-1}^m \alpha_{i}\cdot\:label^\left(\begin{array}{c}i\\ \end {数组}\右)=0
如果您能够阅读并理解以上内容,那么您就已经准备好了。
可视化
在许多情况下,您需要了解各种类型的可视化图,以了解数据分布并解释算法输出的结果。

除了上述机器学习的理论方面之外,您还需要良好的编程技能来编写这些算法。
那么实施机器学习需要什么?让我们在下一章中探讨这一点。