¿Podría darme alguna aclaración sobre la minería de datos y los algoritmos de inteligencia artificial? ¿Para qué base matemática usaron? ¿Podría darme un punto de partida, en matemáticas, para comprender este tipo de algoritmos?
¿Podría darme alguna aclaración sobre la minería de datos y los algoritmos de inteligencia artificial? ¿Para qué base matemática usaron? ¿Podría darme un punto de partida, en matemáticas, para comprender este tipo de algoritmos?
Respuestas:
En realidad, eso puede sonar un poco extraño dentro de la comunidad de estadísticos, pero estoy bastante seguro de que la mayoría de los algoritmos de aprendizaje automático pueden formularse como problemas de minimización funcional. Eso significa que esto se cubrirá con la optimización matemática .
La otra cosa es que probablemente necesitará cálculo y álgebra lineal para comprender qué es la optimización. Y para interpretar sus resultados, tendrá más experiencia en teoría de probabilidad y estadística .
Esta pregunta es quizás demasiado amplia, ¡debería decir algo más sobre para qué utilizará la minería de datos! Pero, la minería de datos es esencialmente estadística, y gran parte del uso de IA que he visto también es estadística. Entonces, ¿qué matemática necesita es la matemática que necesita para las estadísticas: 1) cálculo y análisis real 2) probabilidad 3) ¡Álgebra lineal! En términos prácticos, 3) puede ser lo más importante, casi lo que sea que esté haciendo (usos inclusivos de 1) y 2)) dependerá en gran medida del álgebra lineal. Por lo tanto, asegúrese de obtener, no solo los conceptos, sino la habilidad de manipulación
Se usa mucho más, pero tal vez más especializado. Por lo tanto, no tiene sentido dar consejos más detallados hasta que haya especializado su pregunta (y haya aprendido 1), 2) y 3))
Parece una pregunta justa, ¿qué matemáticas debo aprender como base para el aprendizaje automático?
Tal vez es la respuesta que es amplia. Como ML se basa en muchas disciplinas.
Otros han sugerido, álgebra lineal, teoría de la probabilidad, estadística, espacios métricos y muchos otros que son relevantes.
Quizás un enfoque viable es enumerar algunos de los algoritmos de ML más populares, echarles un vistazo y completar las matemáticas con las que se siente menos cómodo.