机器学习 | 深度学习 | 人工智能的数学基础

AI如今随便一我的都能忽悠两句，网上甚至有三条python语句的傻瓜神经网络应用工具，彷佛人人都能成为AI“砖家”。

AI入门仍是比较简单的，尤为是如今python盛行，随便谁一天以内都能写出不错的AI程序。

可是AI的精通实际上是很是难的，大部分玩的都是别人准备好的训练数据，根本就不知道怎么处理真实数据，其实AI的60%以上的工做都在原始数据的处理上。

你得足够了解本身的数据，这是你的命根子，你得用各类统计学方法来观察检测本身的数据，你都不了解本身的数据就去随便套模型，出来的结果本身都不知道是什么，还想忽悠别人相信？

数据准备好了以后，就能够根据本身的经验来挑选模型，其实通过这么多年的优化，不一样模型之间的性能差距真的不大，比较几个常见模型就行了，真不必每一个模型都试一下。

调参。。。

言归正传~ 数学基础，机器学习离不开数学，非科班出生的同窗一看到数学的部分就开始心烦，内心抱怨，为何当初我就没学好数学呢？巴不得立马恶补各类公开课，教材。

我也同样，各类搜索，想要补回来数学基础。但都以失败而了结。

由于我对机器学习的兴趣仅仅限于我现有数据的应用上，从头开始啃大部头，一我没时间；二我没兴趣，因此实在不必死磕到数学里。

数学专业：他们才是最有能力探索底层数学的人；

机器学习理论专业：探索最前沿的AI模型，从数学的角度；但数学能力和数学专业的人仍是有差距的；

机器学习应用专业：偏重已有模型的解读和应用，数学基础以能理解现有模型为重；

交叉学科的机器学习应用者：我就在这，这些人都手握大量的珍贵数据，看着机器学习如今这么热，也想来探索一下本身的数据。有能力的大老板就会直接招机器学习专业的小老板；通常的老板就只能招个非科班出生的博士。咱们的使命是探索数据中的知识，而不是开发最前沿的AI模型。这群人数学能力偏弱，甚至没法理解本身模型的数学原型。

因此，该不应补数学，怎么补，取决于你在哪一个应用层。

做为交叉学科的应用者，精力有限，不可能从头开始补数学，因此只能在应用中零碎的去补了。要明确咱们的优点，咱们是数据导向的，不是算法导向的。

你一个交叉学科的非要去和纯AI学科的人在算法数学理论领域拼刺刀，那我只能说你傻。

呵护好本身的数据，选择一个本身能足够掌控的成熟模型，获得一些同行承认的有价值的结果，这就足够了。

若是你要全职转去AI行业，那就必需要提升对本身的要求了。

---

 

参考：机器学习应该准备哪些数学预备知识？

 

一些数学符号：

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

T转置：transcpose of a matrix or vector.

Matrices矩阵：uppercase bold roman letters

[a,b]：closed interval

(a,b)：open interval

E, expectation: 

var, vriance:

cov, covariance:

norm, 范数：有时候为了便于理解，咱们能够把范数看成距离来理解。代码理解，加深理解。原来我以前在python中见到的L1和L2就是这里的范数。

 

待续~