Bloques de construcción matemáticos de redes neuronales

Las matemáticas son vitales en cualquier algoritmo de aprendizaje automático e incluyen varios conceptos básicos de matemáticas para diseñar el algoritmo correcto de una manera específica.

La importancia de los temas de matemáticas para el aprendizaje automático y la ciencia de datos se menciona a continuación:

Ahora, centrémonos en los principales conceptos matemáticos del aprendizaje automático que son importantes desde el punto de vista del procesamiento del lenguaje natural:

Vectores

Se considera que el vector es una matriz de números que es continua o discreta y el espacio que consta de vectores se denomina espacio vectorial. Las dimensiones espaciales de los vectores pueden ser finitas o infinitas, pero se ha observado que los problemas de aprendizaje automático y ciencia de datos tratan con vectores de longitud fija.

La representación vectorial se muestra como se menciona a continuación:

temp = torch.FloatTensor([23,24,24.5,26,27.2,23.0])
temp.size()
Output - torch.Size([6])

En el aprendizaje automático, tratamos con datos multidimensionales. Por lo tanto, los vectores se vuelven muy cruciales y se consideran características de entrada para cualquier enunciado de problema de predicción.

Escalares

Se dice que los escalares tienen dimensiones cero que contienen solo un valor. Cuando se trata de PyTorch, no incluye un tensor especial con dimensiones cero; por lo tanto, la declaración se hará de la siguiente manera:

x = torch.rand(10)
x.size()
Output - torch.Size([10])

Matrices

La mayoría de los datos estructurados generalmente se representan en forma de tablas o una matriz específica. Usaremos un conjunto de datos llamado Boston House Prices, que está disponible en la biblioteca de aprendizaje automático de Python scikit-learn.

boston_tensor = torch.from_numpy(boston.data)
boston_tensor.size()
Output: torch.Size([506, 13])
boston_tensor[:2]
Output:
Columns 0 to 7
0.0063 18.0000 2.3100 0.0000 0.5380 6.5750 65.2000 4.0900
0.0273 0.0000 7.0700 0.0000 0.4690 6.4210 78.9000 4.9671
Columns 8 to 12
1.0000 296.0000 15.3000 396.9000 4.9800
2.0000 242.0000 17.8000 396.9000 9.1400