Ar turite turėti matematikos daktaro laipsnį, kad taptumėte duomenų mokslininku? Visiškai ne! Šis vadovas parodys, kaip išmokti matematikos duomenų mokslams ir mašininiam mokymuisi nelankant lėtų ir brangių kursų.
Kiek matematikos atliksite kasdien, kaip duomenų mokslininkas, labai priklauso nuo jūsų vaidmens. Skaitykite toliau, kad sužinotumėte, kurias sąvokas turėsite išmokti, kad pasiektumėte tikslų.
Norėdami užpildyti šį vadovą, jums reikės bent jau pagrindinių Python * programavimo įgūdžių. Mokysimės matematikos taikydamiesi, praktiškai.
Peržiūrėkite mūsų vadovą „Kaip išmokti„ Python “duomenų mokslui“, „Savarankiškas starteris“, kad greičiausias būdas paspartinti „Python“ naudojimą. Mes rekomenduojame bent baigti iki 2 žingsnis tame vadove.
* Pastaba: kitos kalbos taip pat yra puikios, bet pavyzdžiai bus pateikti „Python“.
Matematika reikalinga duomenų mokslui
Reikalingas matematikos kiekis priklauso nuo vaidmens. Pirma, kiekvienas duomenų mokslininkas turi žinoti tam tikrą statistiką ir tikimybių teoriją. Tam turime vadovą:
Ką apie kitas matematikos rūšis? Na, čia atsakymas niuansuotesnis … tai priklauso nuo to, kiek originalūs mašininio mokymosi tyrimai tu darysi.
Taikymo sunkiųjų mašinų mokymosi pozicijos
Praktiškai, ypač atliekant pradinio lygio vaidmenis, dažnai naudosite „ML“ diegimą. Yra patikimų bendrų bibliotekų bibliotekų daugeliu programavimo kalbų. Jums nereikia išradinėti dviračio iš naujo.
Nepaisant to, pašnekovai vis tiek gali išbandyti jūsų pagrindinė tiesinė algebra ir daugiakintamas skaičiavimas. Kodėl jie tai daro?
Na, tam tikru momentu jūsų komandai vis tiek gali tekti kurti pasirinktinius ML algoritmų diegimus. Pvz., Jums gali tekti pritaikyti vieną prie savo technologijų kamino arba išplėsti jo pagrindinę funkciją. Norėdami tai padaryti, turite mokėti nulupti ML algoritmus ir dirbti su jų vidiniais elementais.
MTEP – sunkiųjų mašinų mokymosi pozicijos
Kitiems vaidmenims reikia kur kas originalesnių ML tyrimų ir plėtros. Jums gali tekti išversti akademinių darbų algoritmus į darbinį kodą. Arba galite ištirti patobulinimus, atsižvelgdami į unikalius verslo iššūkius.
Kitaip tariant, jūs daug dažniau įgyvendinsite algoritmus nuo nulio.
Šioms pareigoms tiek tiesinės algebros, tiek daugiakintamo skaičiavimo įvaldymas privaloma.
Geriausias būdas išmokti matematikos duomenų mokslui
Savarankiškas būdas mokytis matematikos duomenų mokslams yra mokykis „darydamas šūdą“. Taigi, mes spręsime tiesinę algebrą ir skaičiavimą, naudodami juos realiuose algoritmuose!
Nepaisant to, norėsite iš anksto sužinoti ar peržiūrėti pagrindinę teoriją. Jums nereikia skaityti viso vadovėlio, bet pirmiausia norėsite išmokti pagrindines sąvokas.
Štai 3 matematikos, reikalingos duomenų mokslui ir mašininiam mokymuisi, mokymosi žingsniai:
-
1
Duomenų mokslo tiesinė algebra
Matricos algebra ir savinės vertės.
-
2
Duomenų mokslo skaičiavimas
Išvestiniai ir gradientai.
-
3
Gradiento nusileidimas nuo įbrėžimo
Įdiegti paprastą neuroninį tinklą nuo nulio.
1 žingsnis: Linijinė duomenų mokslo algebra
Daugelis mašininio mokymosi sąvokų yra susietos su tiesine algebra. Pvz., PCA reikia atskirų verčių, o regresijai reikalinga matricos daugyba.
Be to, dauguma ML programų nagrinėja didelės apimties duomenis (duomenis su daugybe kintamųjų). Šio tipo duomenis geriausiai vaizduoja matricos.
Čia yra keletas geriausių nemokamų šaltinių, kuriuos radome mokydamiesi tiesinės duomenų mokslo algebros:
Dėl sudėtingų vaidmenų …
Khano akademijoje yra trumpos praktinės linijinės algebros pamokos. Jie apima svarbiausias temas.
Už sunkius MTTP vaidmenis …
„MIT OpenCourseWare“ siūlo griežtą tiesinės algebros klasę. Vaizdo paskaitos ir kurso medžiaga yra visos.
Ir jei jums reikia tik peržiūrėti:
2 žingsnis: duomenų mokslo skaičiavimas
Skaičiavimas yra svarbus kelioms pagrindinėms ML programoms. Pavyzdžiui. norėdami optimizuoti, turėsite mokėti apskaičiuoti išvestinius ir gradientus.
Tiesą sakant, viena iš labiausiai paplitusių optimizavimo metodų yra nusileidimas gradientu.
Štai keletas geriausių šaltinių, norint išmokti skaičiuoti duomenų mokslą:
Dėl sudėtingų vaidmenų …
Khano akademijoje yra trumpos praktinės įvairialypės skaičiavimo pamokos. Jie apima svarbiausias sąvokas.
Už sunkius MTTP vaidmenis …
„MIT OpenCourseWare“ siūlo griežtą daugialypio skaičiavimo klasę. Vaizdo paskaitos ir kurso medžiaga yra visos.
Ir jei jums reikia tik peržiūrėti:
- Daugialypio skaičiavimo apžvalga (vaizdo įrašas) – tai greita daugiakintamo skaičiavimo apžvalga praktinių problemų sprendimo formatu. Rekomenduojama, jei anksčiau skaičiavote įvairius kintamuosius ir tereikia juos greitai peržiūrėti.
3 žingsnis: paprastas neuroninis tinklas iš „Scratch“
Sveikiname! Jūs turite teoriją iš kelio. Dabar atėjo laikas tikrai smagiai daliai.
Vienas iš geriausių būdų išmokti matematikos duomenų mokslams ir mašininiam mokymuisi yra sukurti paprastą neuroninį tinklą nuo nulio.
Tinklui atspindėti naudosite tiesinę algebrą, o optimizavimui – skaičiavimą. Konkrečiai, jūs sukursite gradiento nusileidimą nuo nulio.
Kol kas per daug nesijaudinkite dėl nervinių tinklų niuansų. Gerai, jei tik vykdote instrukcijas ir rašote kodą. Išsamiai apimsime mašininį mokymąsi kitame vadove, nes tai skirta tikslinei matematikos praktikai.
Vykdykite kartu su vadovėliais ir eidami peržiūrėkite teoriją. Be to, vėliau turėsite puikų projektą, kurį galėsite įtraukti į savo portfelį.
Čia yra keletas nuostabių nuoseklių vadovų:
- Neuroninis tinklas „Python“ programoje, 2 dalis. Tai yra neįtikėtina pamoka, kuri perves jus per paprastą neuroninį tinklą nuo galo iki galo. Jame gausu naudingų iliustracijų ir sužinosite, kaip tinka gradientinis nusileidimas.
- Neuroniniai tinklai ranka rašytiems skaitmenims atpažinti – mes mėgstame šį šaltinį! Tai nemokama internetinė knyga, kuri padės jums apžiūrėti garsiąją neuroninių tinklų programą. Tai labai intuityviai paaiškina idėjas ir yra išsamiausia šio sąrašo pamoka.
- Neuroninio tinklo diegimas iš „Scratch“ – trumpesnė instrukcija, kuri taip pat padės jums atlikti žingsnis po žingsnio.