Авторские права на сайт принадлежат Данилу и Евгению Гилядовым
Машинное обучение базируется на следующих математических дисциплинах и концепциях:
- Линейная алгебра - для представления данных в виде векторов и матриц, выполнения операций над ними. Используется в регрессии, SVM и других алгоритмах.
- Математическая статистика - для оценки параметров моделей, проверки гипотез, расчета ошибок. Применяется во всех методах машинного обучения.
- Теория вероятностей - многие алгоритмы основаны на вероятностных моделях данных и предсказаний (например, наивный байесовский классификатор).
- Математическая оптимизация - для настройки параметров методов в процессе обучения используют различные оптимизационные алгоритмы.
- Теория информации - помогает выбрать наиболее информативные признаки и оценить количество информации при разбиении данных.
- Теория графов - для представления данных в виде графов, например, в задачах компьютерного зрения.
- Математический анализ - необходим для теоретического изучения сходимости и устойчивости алгоритмов.
В целом математика является фундаментальной основой машинного обучения, без глубокого понимания которой невозможно создание и анализ эффекти