La Inteligencia Artificial ha ganado importancia en la última década, dependiendo mucho del desarrollo y la integración de la IA en nuestra vida diaria. El progreso que la IA ya ha logrado es sorprendente con los autos sin conductor, el diagnóstico médico e incluso apostando a los humanos en juegos de estrategia como Go y Chess.
El futuro de la IA es extremadamente prometedor y no está lejos de tener nuestros propios compañeros robóticos. Esto ha empujado a muchos desarrolladores a comenzar a escribir códigos y comenzar a desarrollar programas de IA y ML. Sin embargo, aprender a escribir algoritmos para IA y ML no es fácil y requiere una amplia programación y conocimiento matemático.
Las matemáticas juegan un papel importante ya que construyen las bases para la programación de estas dos corrientes.
Hay muchas razones por las cuales las matemáticas son importantes para el aprendizaje automático. Algunos de ellos están a continuación:
Seleccionar el algoritmo correcto que incluye consideraciones sobre la precisión, el tiempo de entrenamiento, la complejidad del modelo, la cantidad de parámetros y la cantidad de características. Elección de parámetros y estrategias de validación. Identificar el ajuste y el sobreajuste entendiendo el equilibrio de sesgo-varianza. Estimación del intervalo de confianza correcto y la incertidumbre.
¿Qué tipo de matemática se requiere para el aprendizaje automático?
Las matemáticas son absolutamente necesarias para el estudio del aprendizaje automático o la inteligencia artificial. Cualquier comprensión más profunda de los conceptos y algoritmos en ML requiere un conocimiento básico de matemáticas.
Tres principales teorías matemáticas: álgebra lineal, cálculo multivariante y teoría de la probabilidad.
Álgebra lineal -
La notación de álgebra lineal se usa en Machine Learning para describir los parámetros y la estructura de diferentes algoritmos de aprendizaje automático. Esto hace que el álgebra lineal sea una necesidad para comprender cómo se agrupan las redes neuronales y cómo funcionan.
Cubre temas como:
Escalares, vectores, matrices, tensores Normas de matrices Matrices especiales y vectores Valores propios y vectores propios Cálculo multivariante -
Esto se utiliza para complementar la parte de aprendizaje del aprendizaje automático. Es lo que se utiliza para aprender de los ejemplos, actualizar los parámetros de diferentes modelos y mejorar el rendimiento.
Cubre temas como:
Derivadas Integrales Gradientes Operadores diferenciales Optimización convexa Teoría de probabilidad -
Las teorías se utilizan para hacer suposiciones sobre los datos subyacentes cuando diseñamos estos algoritmos de aprendizaje profundo o IA. Es importante para nosotros entender las distribuciones de probabilidad clave,
Cubre temas como:
Elementos de probabilidad Variables aleatorias Distribuciones Variación y expectativa Variables aleatorias especiales ¿Cómo aprender matemáticas para el aprendizaje automático rápidamente?
La forma emprendedora de aprender matemáticas para la ciencia de datos es aprender haciendo "mierda". Aun así, querrás aprender o revisar la teoría subyacente por adelantado. No necesita leer un libro de texto completo, pero primero querrá aprender los conceptos clave.
Como prerrequisitos suaves, supongo una comodidad básica con álgebra lineal / cálculo matricial (para que no te quedes atrapado en la notación) y la probabilidad introductoria.
Si desea aprender matemáticas para el aprendizaje automático en profundidad, hay un número de cursos disponibles en línea, como,
Álgebra lineal, probabilidad y estadística, cálculo multivariable y optimización de Khan Academy.
Fundación matemática para el aprendizaje automático y la inteligencia artificial en eduonix
Aprenda matemáticas de aprendizaje automático en udemy
Codificación de la matriz: álgebra lineal a través de aplicaciones informáticas por Philip Klein, Brown University.
Libro de Larry Wasserman - Todas las estadísticas: un curso conciso en inferencia estadística.
Recuerde que aprende mejor haciendo, y lamentablemente estos cursos no contienen suficientes tareas y tareas
Lo que recomiendo es, Mathematical Foundation for Machine Learning and AI : este curso no es un plan de estudios matemático completo; no está diseñado para reemplazar la educación matemática escolar o universitaria. En cambio, se centra en los conceptos matemáticos clave que encontrará en los estudios de aprendizaje automático.
Lo que aprenderás:
Y mucho más……
Al final de este curso, no solo tendrá el conocimiento para construir sus propios algoritmos, sino también la confianza para comenzar a utilizar sus algoritmos en sus próximos proyectos.
El curso también incluye proyectos y cuestionarios para ayudar a solidificar su conocimiento de los conceptos matemáticos.
Está diseñado para llenar los vacíos para los estudiantes que se perdieron estos conceptos clave como parte de su educación formal, o que necesitan refrescar sus recuerdos después de un largo descanso de estudiar matemáticas.
Creo que este curso es mucho mejor que invertir de 2 a 3 meses hojeando el material al principio y luego olvidando la mitad de lo que aprendiste cuando lo encuentras.
¡Intenta comprender los conceptos básicos que se muestran y recuerda siempre divertirte!