ML 數學
數學在機器學習中的主要分支包括：
- 線性函式
- 線性圖
- 線性代數
- 機率
- 統計學
機器學習 = 數學
每一次 ML 的成功背後都有數學的支援。
所有 ML 模型都是使用數學的解決方案和思想構建的。
ML 的目的是建立用於理解思考的模型。
如果您想從事 ML 職業，例如
- 資料科學家
- 機器學習工程師
- 機器人科學家
- 資料分析師
- 自然語言專家
- 深度學習科學家
您應該關注這裡描述的數學概念。
線性函式
- 線性表示直線
- 線性函式是一條直線
- 線性圖表示一個線性函式
圖形
- 圖形在數學中起著重要作用
- 圖形在統計學中起著重要作用
- 圖形在機器學習中起著重要作用
線性代數
線性代數是資料科學的基石。
瞭解線性代數可以提高您理解資料科學演算法的能力。
| 標量 | 向量 | ||||||||||||||||||||||||||
| 1 |
|
||||||||||||||||||||||||||
| 矩陣 | 張量 | ||||||||||||||||||||||||||
|
|
機率
機率是指某事發生的可能性，或者某事為真的可能性。
我有一個袋子，裡面有 6 個球：3 個紅色，2 個綠色，1 個藍色。
蒙上眼睛。我拿起一個綠球的機率是多少？
可能發生的方式有 2 種（有兩個綠色球）。
結果的總數是 6（有 6 個球）。
機率是 2 除以 6：2/6 = 0.333333...
機率 = 方式 / 結果
統計學
統計學是如何收集、分析、解釋和呈現資料的。
統計學處理的問題例如：
- 什麼最常見？
- 什麼最預期？
- 什麼最正常？
