机器 - 技能

机器学习的宽度非常大，需要跨多个领域的技能。 下面列出了成为机器学习专家所需的技能 −

• 统计数据
• 概率论
• 微积分
• 优化技术
• 可视化

各种机器学习技能的必要性

为了让您简要了解您需要获得哪些技能，让我们讨论一些示例 −

数学表示法

大多数机器学习算法都在很大程度上基于数学。 你需要知道的数学水平可能只是初级水平。 重要的是你应该能够阅读数学家在他们的方程中使用的符号。 例如 - 如果您能够阅读符号并理解其含义，那么您就可以开始学习机器学习了。 如果没有，你可能需要复习你的数学知识。

$$f_{AN}(net-\theta)=\begin{cases}gamma & if:net-\theta geq epsilon\ et-\theta & if - epsilon< net-\theta <epsilon\ -gamma & if:net-\thetaleq- epsilonend{cases}$$

$$displaystyle\maxlimits_{alpha}\begin{bmatrix}displaystylesumlimits_{i=1}^m alpha-ffrac{1}{2}displaystylesumlimits_{i,j=1}^m label^left(\begin{array}{c}i\ end{array}\right)cdot:label^left(\begin{array}{c}j\ end{array}\right)cdot:a_{i}cdot:a_{j}langle x^left(\begin{array}{c}i\ end{array}\right),x^left(\begin{array}{c}j\ end{array}\right)\rangle end{bmatrix}$$

$$f_{AN}(net-\theta)=left(ffrac{e^{lambda(net-\theta)}-e^{-lambda(net-\theta)}}{e^{lambda(net-\theta)}+e^{-lambda(net-\theta)}}\right);$$

概率论

这是一个测试您当前对概率论知识的示例:使用条件概率进行分类。

$$p(c_{i}|x,y);=ffrac{p(x,y|c_{i});p(c_{i});}{p(x,y);}$$

通过这些定义，我们可以定义贝叶斯分类规则 −

• If P(c1|x, y) > P(c2|x, y) , the class is c1 .
• If P(c1|x, y) < P(c2|x, y) , the class is c2 .

优化问题

这是一个优化函数

$$displaystyle\maxlimits_{alpha}\begin{bmatrix}displaystylesumlimits_{i=1}^m alpha-ffrac{1}{2}displaystylesumlimits_{i,j=1}^m label^left(\begin{array}{c}i\ end{array}\right)cdot:label^left(\begin{array}{c}j\ end{array}\right)cdot:a_{i}cdot:a_{j}langle x^left(\begin{array}{c}i\ end{array}\right),x^left(\begin{array}{c}j\ end{array}\right)\rangle end{bmatrix}$$

受以下约束 −

$$alphageq0,and:displaystylesumlimits_{i-1}^m alpha_{i}cdot:label^left(\begin{array}{c}i\ end{array}\right)=0$$

如果您能阅读并理解以上内容，则一切就绪。

可视化

在许多情况下，您需要了解各种类型的可视化图，以了解您的数据分布并解释算法输出的结果。

除了机器学习的上述理论方面，您还需要良好的编程技能来编写这些算法。

那么实现 ML 需要什么? 让我们在下一章中探讨这一点。