機器學習 | 深度學習 | 人工智能的數學基礎

AI如今隨便一我的都能忽悠兩句，網上甚至有三條python語句的傻瓜神經網絡應用工具，彷佛人人都能成爲AI「磚家」。

AI入門仍是比較簡單的，尤爲是如今python盛行，隨便誰一天以內都能寫出不錯的AI程序。

可是AI的精通實際上是很是難的，大部分玩的都是別人準備好的訓練數據，根本就不知道怎麼處理真實數據，其實AI的60%以上的工做都在原始數據的處理上。

你得足夠了解本身的數據，這是你的命根子，你得用各類統計學方法來觀察檢測本身的數據，你都不瞭解本身的數據就去隨便套模型，出來的結果本身都不知道是什麼，還想忽悠別人相信？

數據準備好了以後，就能夠根據本身的經驗來挑選模型，其實通過這麼多年的優化，不一樣模型之間的性能差距真的不大，比較幾個常見模型就行了，真不必每一個模型都試一下。

調參。。。

言歸正傳~ 數學基礎，機器學習離不開數學，非科班出生的同窗一看到數學的部分就開始心煩，內心抱怨，爲何當初我就沒學好數學呢？巴不得立馬惡補各類公開課，教材。

我也同樣，各類搜索，想要補回來數學基礎。但都以失敗而了結。

由於我對機器學習的興趣僅僅限於我現有數據的應用上，從頭開始啃大部頭，一我沒時間；二我沒興趣，因此實在不必死磕到數學裏。

數學專業：他們纔是最有能力探索底層數學的人；

機器學習理論專業：探索最前沿的AI模型，從數學的角度；但數學能力和數學專業的人仍是有差距的；

機器學習應用專業：偏重已有模型的解讀和應用，數學基礎以能理解現有模型爲重；

交叉學科的機器學習應用者：我就在這，這些人都手握大量的珍貴數據，看着機器學習如今這麼熱，也想來探索一下本身的數據。有能力的大老闆就會直接招機器學習專業的小老闆；通常的老闆就只能招個非科班出生的博士。咱們的使命是探索數據中的知識，而不是開發最前沿的AI模型。這羣人數學能力偏弱，甚至沒法理解本身模型的數學原型。

因此，該不應補數學，怎麼補，取決於你在哪一個應用層。

做爲交叉學科的應用者，精力有限，不可能從頭開始補數學，因此只能在應用中零碎的去補了。要明確咱們的優點，咱們是數據導向的，不是算法導向的。

你一個交叉學科的非要去和純AI學科的人在算法數學理論領域拼刺刀，那我只能說你傻。

呵護好本身的數據，選擇一個本身能足夠掌控的成熟模型，獲得一些同行承認的有價值的結果，這就足夠了。

若是你要全職轉去AI行業，那就必需要提升對本身的要求了。

---

 

參考：機器學習應該準備哪些數學預備知識？

 

一些數學符號：

vector向量：lower case bold Roman letters. (default: column vector)

T轉置：transcpose of a matrix or vector.

Matrices矩陣：uppercase bold roman letters

[a,b]：closed interval

(a,b)：open interval

E, expectation: 

var, vriance:

cov, covariance:

norm, 範數：有時候爲了便於理解，咱們能夠把範數看成距離來理解。代碼理解，加深理解。原來我以前在python中見到的L1和L2就是這裏的範數。

 

待續~