HƯỚNG DẪN cơ bản

Toán học bạn cần cho học máy

Toán học được sử dụng trong học máy kết nối các biểu diễn dữ liệu, dự đoán, tối ưu hóa và tính không chắc chắn.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của toán học mà bạn cần cho học máy
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Xây dựng độ sâu cần thiết cho nhiệm vụ của bạn, sử dụng các phép tính nhỏ để hiểu phần mềm đang làm gì thay vì coi danh sách các khóa học nâng cao là yêu cầu đầu vào phổ quát.

Lặn sâu

Bắt đầu với đại số: biến số, hàm số, phương trình, tỷ số và đồ thị. Quy tắc dự đoán như y = wx + b sẽ trở thành quy tắc bạn có thể tính toán và giải thích. Với x = 3, w = 2 và b = 1 thì dự đoán là 7. Thay đổi hệ số sẽ thay đổi quy tắc; việc thay đổi đầu vào sẽ đánh giá quy tắc tương tự trên một ví dụ khác. Giữ những hoạt động đó khác biệt. Đại số tuyến tính tổ chức nhiều đầu vào và tham số. Một vectơ có thể biểu diễn một ví dụ, trong khi một ma trận có thể chứa một số ví dụ hoặc một phép biến đổi tuyến tính. Tìm hiểu các kích thước, tích số chấm và phép nhân ma trận trước khi dựa vào ký hiệu thu gọn. Các thứ nguyên cho bạn biết những thao tác nào được xác định nhưng chúng không cho bạn biết liệu các cột có chứa các tính năng hoặc đơn vị chính xác hay không. Giải tích giải thích sự thay đổi cục bộ. Đạo hàm đo lường mức độ thay đổi của hàm số khi có một biến; một gradient thu thập các đạo hàm riêng cho một số biến. Tối ưu hóa sử dụng thông tin đó để điều chỉnh các thông số. Đối với cập nhật vô hướng minh họa, tham số 2, gradient 0,6 và tốc độ học 0,1 cho 2 − 0,1 × 0,6 = 1,94. Một bản cập nhật không phải là bằng chứng về sự hội tụ hoặc dự đoán tốt. Xác suất và số liệu thống kê giúp mô tả sự biến đổi, sự kiện có điều kiện, lấy mẫu và độ không chắc chắn. Chúng cần thiết để giải thích sự đánh giá thay vì chỉ báo cáo điểm số. Một mối tương quan không thiết lập một hiệu ứng nhân quả. Kết hợp chiều sâu nghiên cứu với công việc: hiểu mô hình hiện có, thực hiện phương pháp đào tạo và chứng minh kết quả lý thuyết là những mục tiêu khác nhau. Các điều kiện tiên quyết của khóa học cung cấp tài liệu tham khảo hữu ích nhưng không có danh sách kiểm tra khóa học nào xác định mọi vai trò ML. Thực hành giải thích các giả định và kiểm tra một ví dụ nhỏ bên cạnh mỗi khái niệm mới.

Triển khai trong thế giới thực

Người học thay x = 3, w = 2 và b = 1 vào một yếu tố dự báo tuyến tính và kiểm tra xem wx + b có bằng 7 hay không.

Một kỹ sư viết kích thước của ma trận dữ liệu và vectơ trọng số trước khi chẩn đoán lỗi nhân.

Một nhà phân tích so sánh các cảnh báo sai với các sự kiện bị bỏ lỡ thay vì chỉ chọn một bộ phân loại dựa trên độ chính xác tổng thể.

Học sinh kiểm tra một bản cập nhật gradient bằng tay trước khi dựa vào sự khác biệt tự động trong vòng đào tạo.

Tương lai của toán học mà bạn cần cho học máy

Các công cụ ML cấp cao hơn có thể ẩn nhiều phép toán toán học hơn đằng sau các giao diện, trong khi chẩn đoán giúp kiểm tra số lượng được chọn dễ dàng hơn. Điều đó có thể làm giảm số lượng phép tính thông thường mà người thực hành thực hiện mà không loại bỏ các câu hỏi về kích thước, mục tiêu hoặc độ không chắc chắn. Một kế hoạch học tập hữu ích sẽ phát triển theo nhiệm vụ: xem lại một khái niệm khi thử nghiệm bộc lộ lỗ hổng và giữ các ví dụ đủ nhỏ để kiểm tra. Các giao diện mới nên được đánh giá bằng việc liệu chúng có tiết lộ các giả định và trường hợp thất bại hay không, hơn là liệu chúng có khiến toán học trở nên không cần thiết hay không. Sự hiểu biết vẫn hữu ích khi một kết quả cần được giải thích.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Quyết định rõ ràng hơn. Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
  • Chi phí và ngân sách. Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
  • Nhóm và quy trình làm việc. Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.

coi chừng

  • Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
  • Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
  • Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.

Các bước tiếp theo

  1. Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
  2. Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
  3. Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
  4. Tài liệu giúp ích cho phần Toán bạn cần cho Học máy và phần nào các phương pháp đơn giản hơn sẽ tốt hơn.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Take the Math You Need for Machine Learning quiz

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Toán học bạn cần cho Machine Learning là gì?

Toán học được sử dụng trong học máy kết nối các biểu diễn dữ liệu, dự đoán, tối ưu hóa và tính không chắc chắn. Xây dựng độ sâu cần thiết cho nhiệm vụ của bạn, sử dụng các phép tính nhỏ để hiểu phần mềm đang làm gì thay vì coi danh sách các khóa học nâng cao là yêu cầu đầu vào phổ quát.

Một người học thay đổi w trong khi vẫn giữ x và b cố định. Những thay đổi nào trong ví dụ dự đoán tuyến tính?

Hệ số w là một phần của quy tắc; việc thay đổi x sẽ đánh giá quy tắc trên một đầu vào khác.

Hai mảng có kích thước nhân tương thích. Điều gì vẫn cần kiểm tra trong tính toán ML?

Khả năng tương thích hình dạng không xác minh ý nghĩa hoặc đơn vị tính năng.

Một chương trình đào tạo thực hiện thành công một bước gradient. Điều đó chứng tỏ điều gì?

Cập nhật bằng số không thiết lập sự hội tụ, khái quát hóa hoặc tính hữu ích của nhiệm vụ.

Ý tưởng toán học nào giúp người thực hành suy luận về sự khác biệt trong việc lấy mẫu trong đánh giá?

Xác suất và số liệu thống kê mô tả sự thay đổi, lấy mẫu và độ không đảm bảo.

Một mô hình cho thấy hai biến được ghi có mối tương quan với nhau. Chỉ riêng điều đó thôi đã không chứng minh được yêu cầu bổ sung nào?

Chỉ riêng sự liên kết không xác lập được tác động nhân quả của một can thiệp.