15 Связанный вопрос
Я хотел бы предложить следующий пост на u201cABC of DataScience и MLu201d, чтобы получить краткий обзор лучших источников Data Science и ML.
Оба имеют дело с вашей проблемой, которую вы решаете.
С другой стороны
Нет причин, по которым вы должны предпочесть науку о данных марионетке, если вы так склонны.
NVIDIA, потому что почти фреймворк для глубокого обучения построен для NVIDIA, мой английский не очень хорош, извините
IMO, Просто знаю основы исчисления, вероятностей и линейной алгебры.
Если зависимые переменные не перекрываются друг с другом, вы можете рассматривать это как проблему классификации.
Следующий ответ представляет собой полное руководство по созданию сквозной модели машинного обучения.
Потому что было доказано, что 10-кратная оценка навыков модели с низким смещением и умеренной дисперсией.
После быстрого поиска в Google я нашел эту документацию, которая должна вам помочь:
IDN, если это изменит нашу жизнь, но я не думаю, что это уловка.
Пожалуйста, посмотрите вопрос по ссылке ниже.
И внимательно зачитайте ответы на вопрос. Надеюсь, вы получите ответ.
Я вижу, где все может запутаться. N Нейронная сеть u201 автоматически решает su201d, какие функции имеют отношение к ее работе (скажем, классификация)
Таким образом, в вашем примере, если вы предоставляете своей сетевой сети только обучающие данные со следующей структурой [Дата, максимальная температура, количество осадков] из одного места, ему не придется много выбирать из u2026, с другой стороны, если вы предоставите ему [Дата , Минимальная температура, максимальная температура, атмосферное давление, сила ветра, направление ветра] из географической сетки из тысяч точек в радиусе 100 км вокруг области, где вы хотите сделать свой прогноз, тогда, очевидно, у вас будет гораздо больше параметров для игры с участием !
Я хотел бы порекомендовать следующее видео для лучшего понимания алгоритма случайного леса. Надеюсь, это видео вам поможет.
Я предпочитаю проходить курсы на YouTube и писать с ними код.
У Кори Шафера есть отличная серия статей по ООП:
Математика - это основа любой современной научной дисциплины. Почти все методы современной науки о данных, включая машинное обучение, имеют глубокую математическую основу. Знание математики особенно важно для новичков в науке о данных из других профессий.
Эта область математики охватывает основы, от уравнения прямой до биномиальной теоремы и ее свойств:
Логарифм, экспонента, полиномиальные функции, рациональные числа
Базовая геометрия и теоремы, тригонометрические тождества
Действительные и комплексные числа, основные свойства
Ряды, суммы, неравенства
Построение графиков, декартовы и полярные координаты, конические сечения
Нельзя упускать из виду важность твердого понимания основных концепций статистики и вероятности. Предмет обширен, и сфокусированное планирование имеет решающее значение для охвата наиболее важных концепций:
Сводные данные и описательная статистика, центральная тенденция, дисперсия, ковариация, корреляция
Базовая вероятность: основная идея, математическое ожидание, исчисление вероятностей, теорема Байеса, условная вероятность.
Функции распределения вероятностей: равномерное, нормальное, биномиальное, хи-квадрат, t-распределение Стьюдента, центральная предельная теорема
Выборка, измерение, ошибка, генерация случайных чисел
Проверка гипотез, A / B-тестирование, доверительные интервалы, p-значения
ANOVA, t-тест
Линейная регрессия, регуляризация
Вам это понадобится на собеседовании. Если вы сможете показать, что освоили эти концепции, вы быстро произведете впечатление на другую сторону стола. И вы будете использовать их почти каждый день как специалист по данным.
Это важный раздел математики для понимания того, как работают алгоритмы машинного обучения. Вот основные темы для изучения:
Основные свойства матрицы и векторов: скалярное умножение, линейное преобразование, транспонирование, сопряжение, ранг, определитель.
Внутренние и внешние произведения, правило умножения матриц и различные алгоритмы, обратная матрица
Специальные матрицы: квадратная матрица, единичная матрица, треугольная матрица, представление о разреженной и плотной матрице, единичные векторы, симметричная матрица, эрмитова, косоэрмитова и унитарная матрицы.
Концепция матричной факторизации / LU-разложение, Гаусса / Гаусса-Жордана, решение Ax = b линейной системы уравнения
Векторное пространство, базис, промежуток, ортогональность, ортонормированность, линейный метод наименьших квадратов
Собственные значения, собственные векторы, диагонализация, разложение по сингулярным числам
Это чрезвычайно ценный навык, который можно добавить к вашему опыту. Вот темы для изучения:
Функции одной переменной, предел, непрерывность, дифференцируемость
Теоремы о среднем значении, неопределенные формы, правило Л'Оспиталя
Максимумы и минимумы
Правило продукта и цепочки
Ряды Тейлора, концепции суммирования / интегрирования бесконечных рядов
Фундаментальные и средние теоремы интегрального исчисления, вычисление определенных и несобственных интегралов
Бета и гамма-функции
Функции нескольких переменных, предел, непрерывность, частные производные
Основы обыкновенных дифференциальных уравнений и уравнений в частных производных
Повторный курс по дискретной математике будет включать в себя концепции, критически важные для повседневного использования алгоритмов и структур данных в аналитическом проекте:
Наборы, подмножества, наборы мощности
Счетные функции, комбинаторика, счетность
Основные методы доказательства: индукция, доказательство от противного.
Основы индуктивной, дедуктивной и пропозициональной логики
Базовые структуры данных: стеки, очереди, графики, массивы, хеш-таблицы, деревья
Свойства графа: компоненты связности, степень, концепции максимального потока / минимального разреза, раскраска графа
Рекуррентные соотношения и уравнения
Рост функций и концепция обозначений O (n)
Надеюсь, это поможет. Освойте вышеуказанные темы, и вы будете иметь сильную власть над математикой.
