Aprendizaje automático: habilidades
El aprendizaje automático tiene un ancho muy amplio y requiere habilidades en varios dominios. Las habilidades que necesita adquirir para convertirse en un experto en aprendizaje automático se enumeran a continuación:
- Statistics
- Teorías de probabilidad
- Calculus
- Técnicas de optimización
- Visualization
Necesidad de diversas habilidades de aprendizaje automático
Para darle una breve idea de las habilidades que necesita adquirir, analicemos algunos ejemplos:
Notación matemática
La mayoría de los algoritmos de aprendizaje automático se basan en gran medida en las matemáticas. El nivel de matemáticas que necesita saber es probablemente solo un nivel principiante. Lo importante es que debería poder leer la notación que usan los matemáticos en sus ecuaciones. Por ejemplo, si puede leer la notación y comprender lo que significa, está listo para aprender el aprendizaje automático. De lo contrario, es posible que deba mejorar sus conocimientos de matemáticas.
$$ f_ {AN} (net- \ theta) = \ begin {cases} \ gamma & if \: net- \ theta \ geq \ epsilon \\ net- \ theta & if - \ epsilon <net- \ theta <\ épsilon \\ - \ gamma & if \: net- \ theta \ leq- \ epsilon \ end {cases} $$
$$ \ displaystyle \\\ max \ limits _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limits_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limits_ { i, j = 1} ^ m etiqueta ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: label ^ \ left (\ begin {array} {c} j \\ \ end {matriz} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {matriz} {c} i \\ \ end {matriz} \ derecha), x ^ \ izquierda (\ begin {matriz} {c} j \\ \ end {matriz} \ derecha) \ rangle \ end {bmatrix} $$
$$ f_ {AN} (net- \ theta) = \ left (\ frac {e ^ {\ lambda (net- \ theta)} - e ^ {- \ lambda (net- \ theta)}} {e ^ { \ lambda (net- \ theta)} + e ^ {- \ lambda (net- \ theta)}} \ right) \; $$
Teoría de probabilidad
Aquí hay un ejemplo para poner a prueba su conocimiento actual de la teoría de la probabilidad: Clasificación con probabilidades condicionales.
$$ p (c_ {i} | x, y) \; = \ frac {p (x, y | c_ {i}) \; p (c_ {i}) \;} {p (x, y) \ ;} $$
Con estas definiciones, podemos definir la regla de clasificación bayesiana:
- Si P (c1 | x, y)> P (c2 | x, y), la clase es c1.
- Si P (c1 | x, y) <P (c2 | x, y), la clase es c2.
Problema de optimizacion
Aquí hay una función de optimización
$$ \ displaystyle \\\ max \ limits _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limits_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limits_ { i, j = 1} ^ m etiqueta ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) \ cdot \: label ^ \ left (\ begin {array} {c} j \\ \ end {matriz} \ right) \ cdot \: a_ {i} \ cdot \: a_ {j} \ langle x ^ \ left (\ begin {matriz} {c} i \\ \ end {matriz} \ derecha), x ^ \ izquierda (\ begin {matriz} {c} j \\ \ end {matriz} \ derecha) \ rangle \ end {bmatrix} $$
Sujeto a las siguientes limitaciones:
$$ \ alpha \ geq0 y \: \ displaystyle \ sum \ limits_ {i-1} ^ m \ alpha_ {i} \ cdot \: label ^ \ left (\ begin {array} {c} i \\ \ end {array} \ right) = 0 $$
Si puede leer y comprender lo anterior, está listo.
Visualización
En muchos casos, deberá comprender los distintos tipos de gráficos de visualización para comprender la distribución de sus datos e interpretar los resultados de la salida del algoritmo.
Además de los aspectos teóricos anteriores del aprendizaje automático, necesita buenas habilidades de programación para codificar esos algoritmos.
Entonces, ¿qué se necesita para implementar ML? Examinemos esto en el próximo capítulo.