Machine-learning-skills
機械学習-スキル
機械学習の幅は非常に広く、複数のドメインにわたるスキルが必要です。 機械学習の専門家になるために取得する必要があるスキルは以下のとおりです-
- 統計
- 確率論
- 微積分
- 最適化手法
- 可視化
機械学習のさまざまなスキルの必要性
どのスキルを習得する必要があるかについて簡単に説明するために、いくつかの例を議論しましょう-
数学表記
機械学習アルゴリズムのほとんどは、数学に大きく基づいています。 あなたが知る必要がある数学のレベルは、おそらく初心者レベルです。 重要なのは、数学者が自分の方程式で使用する表記法を読むことができることです。 たとえば、表記法を読み、その意味を理解できれば、機械学習を学習する準備ができています。 そうでない場合は、数学の知識を磨く必要があるかもしれません。
$$ f _ \ {AN}（net- \ theta）= \ begin \ {cases} \ gamma＆if \：net- \ theta \ geq \ epsilon \\ net- \ theta＆if-\ epsilon <net- \ theta
\ displaystyle \\\ max \ limits _ \ {\ alpha} \ begin \ {bmatrix} \ displaystyle \ sum \ limits _ \ {i = 1} ^ m \ alpha- \ frac \ {1} \ {2} \ displaystyle \ sum \ limits _ \ {i、j = 1} ^ m label ^ \ left（\ begin \ {array} \ {c} i \\ \ end \ {array} \ right）\ cdot \：label ^ \ left（ \ begin \ {array} \ {c} j \\ \ end \ {array} \ right）\ cdot \：a _ \ {i} \ cdot \：a _ \ {j} \ langle x ^ \ left（\ begin \ {array} \ {c} i \\ \ end \ {array} \ right）、x ^ \ left（\ begin \ {array} \ {c} j \\ \ end \ {array} \ right）\ rangle \ end \ {bmatrix}
f _ \ {AN}（net- \ theta）= \ left（\ frac \ {e ^ \ {\ lambda（net- \ theta）}-e ^ \ {-\ lambda（net- \ theta）}} \ {e ^ \ {\ lambda（net- \ theta）} + e ^ \ {-\ lambda（net- \ theta）}} \ right）\;
確率論
確率論に関する現在の知識をテストする例を次に示します。条件付き確率による分類。
p（c _ \ {i} | x、y）\; = \ frac \ {p（x、y | c _ \ {i}）\; p（c _ \ {i}）\;} \ {p（ x、y）\;}
これらの定義を使用して、ベイジアン分類ルールを定義できます-
- P（c1 | x、y）> P（c2 | x、y）の場合、クラスはc1です。
- P（c1 | x、y）<P（c2 | x、y）の場合、クラスはc2です。
最適化の問題
これが最適化関数です
\ displaystyle \\\ max \ limits _ \ {\ alpha} \ begin \ {bmatrix} \ displaystyle \ sum \ limits _ \ {i = 1} ^ m \ alpha- \ frac \ {1} \ {2} \ displaystyle \ sum \ limits _ \ {i、j = 1} ^ m label ^ \ left（\ begin \ {array} \ {c} i \\ \ end \ {array} \ right）\ cdot \：label ^ \ left（ \ begin \ {array} \ {c} j \\ \ end \ {array} \ right）\ cdot \：a _ \ {i} \ cdot \：a _ \ {j} \ langle x ^ \ left（\ begin \ {array} \ {c} i \\ \ end \ {array} \ right）、x ^ \ left（\ begin \ {array} \ {c} j \\ \ end \ {array} \ right）\ rangle \ end \ {bmatrix}
次の制約の対象-
\ alpha \ geq0、および\：\ displaystyle \ sum \ limits _ \ {i-1} ^ m \ alpha _ \ {i} \ cdot \：label ^ \ left（\ begin \ {array} \ {c} i \\ \ end \ {array} \ right）= 0
上記を読んで理解することができれば、準備完了です。
可視化
多くの場合、データ分布を理解し、アルゴリズムの出力結果を解釈するには、さまざまな種類の視覚化プロットを理解する必要があります。
機械学習の上記の理論的側面に加えて、これらのアルゴリズムをコーディングするには優れたプログラミングスキルが必要です。
MLを実装するには何が必要ですか？ 次の章でこれを見ていきましょう。
