Linear Algebra (线性代数) 和 Statistics (统计学) 是最重要和不可缺少的。这代表了Machine Learning中最主流的两大类方法的基础。一种是以研究函数和变换为重点的代数方法,比如Dimension reduction,feature extraction,Kernel等,一种是以研究统计模型和样本分布为重点的统计方法,比如Graphical model, Information theoretical models等。它们侧重虽有不同,但是常常是共同使用的,对于代数方法,往往需要统计上的解释,对于统计模型,其具体计算则需要代数的帮助。
以代数和统计为出发点,继续往深处走,我们会发现需要更多的数学。
Calculus (微积分),只是数学分析体系的基础。其基础性作用不言而喻。Learning研究的大部分问题是在连续的度量空间进行的,无论代数还是统计,在研究优化问题的时候,对一个映射的微分或者梯度的分析总是不可避免。而在统计学中,Marginalization和积分更是密不可分——不过,以解析形式把积分导出来的情况则不多见。
Partial Differential Equation (偏微分方程),这主要用于描述动态过程,或者仿动态过程。这个学科在Vision中用得比Learning多,主要用于描述连续场的运动或者扩散过程。比如Level set, Optical flow都是这方面的典型例子。
Functional Analysis (泛函分析), 通俗地,可以理解为微积分从有限维空间到无限维空间的拓展——当然了,它实际上远不止于此。在这个地方,函数以及其所作用的对象之间存在的对偶关系扮演了非常重要的角色。Learning发展至今,也在向无限维延伸——从研究有限维向量的问题到以无限维的函数为研究对象。Kernel Learning 和 Gaussian Process 是其中典型的例子——其中的核心概念都是Kernel。很多做Learning的人把Kernel简单理解为Kernel trick的运用,这就把kernel的意义严重弱化了。在泛函里面,Kernel (Inner Product) 是建立整个博大的代数体系的根本,从metric, transform到spectrum都根源于此。
Measure Theory (测度理论),这是和实分析关系非常密切的学科。但是测度理论并不限于此。从某种意义上说,Real Analysis可以从Lebesgue Measure(勒贝格测度)推演,不过其实还有很多别的测度体系——概率本身就是一种测度。测度理论对于Learning的意义是根本的,现代统计学整个就是建立在测度理论的基础之上——虽然初级的概率论教科书一般不这样引入。在看一些统计方面的文章的时候,你可能会发现,它们会把统计的公式改用测度来表达,这样做有两个好处:所有的推导和结论不用分别给连续分布和离散分布各自写一遍了,这两种东西都可以用同一的测度形式表达:连续分布的积分基于Lebesgue测度,离散分布的求和基于计数测度,而且还能推广到那种既不连续又不离散的分布中去(这种东西不是数学家的游戏,而是已经在实用的东西,在Dirchlet Process或者Pitman-Yor Process里面会经常看到)。而且,即使是连续积分,如果不是在欧氏空间进行,而是在更一般的拓扑空间(比如微分流形或者变换群),那么传统的黎曼积分(就是大学一年级在微积分课学的那种)就不work了,你可能需要它们的一些推广,比如Haar Measure或者Lebesgue-Stieltjes积分。
Topology(拓扑学),这是学术中很基础的学科。它一般不直接提供方法,但是它的很多概念和定理是其它数学分支的基石。看很多别的数学的时候,你会经常接触这样一些概念:Open set / Closed set,set basis,Hausdauf, continuous function,metric space, Cauchy sequence, neighborhood, compactness, connectivity。很多这些也许在大学一年级就学习过一些,当时是基于极限的概念获得的。如果,看过拓扑学之后,对这些概念的认识会有根本性的拓展。比如,连续函数,当时是由epison法定义的,就是无论取多小的正数epsilon,都存在xxx,使得xxx。这是需要一种metric去度量距离的,在general topology里面,对于连续函数的定义连坐标和距离都不需要——如果一个映射使得开集的原像是开集,它就是连续的——至于开集是基于集合论定义的,不是通常的开区间的意思。这只是最简单的例子。当然,我们研究learning也许不需要深究这些数学概念背后的公理体系,但是,打破原来定义的概念的局限在很多问题上是必须的——尤其是当你研究的东西它不是在欧氏空间里面的时候——正交矩阵,变换群,流形,概率分布的空间,都属于此。
Differential Manifold (微分流形), 通俗地说它研究的是平滑的曲面。一个直接的印象是它是不是可以用来fitting一个surface什么的——当然这算是一种应用,但是这是非常初步的。本质上说,微分流形研究的是平滑的拓扑结构。一个空间构成微分流形的基本要素是局部平滑:从拓扑学来理解,就是它的任意局部都同胚于欧氏空间,从解析的角度来看,就是相容的局部坐标系统。当然,在全局上,它不要求和欧氏空间同胚。它除了可以用于刻画集合上的平滑曲面外,更重要的意义在于,它可以用于研究很多重要的集合。一个n-维线性空间的全部k-维子空间(k < n)就构成了一个微分流形——著名的Grassman Manifold。所有的标准正交阵也构成一个流形。一个变换群作用于一个空间形成的轨迹(Orbit) 也是通常会形成流形。在流形上,各种的分析方法,比如映射,微分,积分都被移植过来了。前一两年在Learning里面火了好长时间的Manifold Learning其实只是研究了这个分支的其中一个概念的应用: embedding。其实,它还有很多可以发掘的空间。
Lie Group Theory (李群论),一般意义的群论在Learning中被运用的不是很多,群论在Learning中用得较多的是它的一个重要方向Lie group。定义在平滑流行上的群,并且其群运算是平滑的话,那么这就叫李群。因为Learning和编码不同,更多关注的是连续空间,因为Lie group在各种群中对于Learning特别重要。各种子空间,线性变换,非奇异矩阵都基于通常意义的矩阵乘法构成李群。在李群中的映射,变换,度量,划分等等都对于Learning中代数方法的研究有重要指导意义。
Graph Theory(图论),图,由于它在表述各种关系的强大能力以及优雅的理论,高效的算法,越来越受到Learning领域的欢迎。经典图论,在Learning中的一个最重要应用就是graphical models了,它被成功运用于分析统计网络的结构和规划统计推断的流程。Graphical model所取得的成功,图论可谓功不可没。在Vision里面,maxflow (graphcut)算法在图像分割,Stereo还有各种能量优化中也广受应用。另外一个重要的图论分支就是Algebraic graph theory (代数图论),主要运用于图的谱分析,著名的应用包括Normalized Cut和Spectral Clustering。近年来在semi-supervised learning中受到特别关注
分享到:
相关推荐
为一个基础性的学科分支,机器学习在许多领域有着重要的应用,例如生物信 息学、人工智能、航空航天、现代医学等。 图论作为一个数学分支,其在机器学习中的研究与应用近年来得到了快速 的发展。基于图论的机器学习...
尽管机器学习通常缺乏线性回归的明显解释性,但基于决策树的方法却对数据集特征的相对重要性进行了评分。 除了解决偏差和方差之间的理论折衷之外,本文还讨论了传统经济学很少采用的实践:将数据分为训练,验证和...
在机器学习中,数据往往带有噪声和不确定性,而概率统计可以帮助我们评估数据的分布和特征,进而构建更加稳健的模型。同时,概率统计也为我们提供了模型评估的方法,通过计算模型的准确率、召回率
机器学习的定义与重要性 机器学习的历史与发展 机器学习的应用领域 二、基础知识 数据预处理:包括数据清洗、数据转换、特征选择等 数学基础:线性代数、概率论与数理统计、优化算法等 编程基础:Python编程语言...
在此背景下,本文旨在采用机器学习方法建立慢性疾病预测模型,在此基础上 搭建慢性疾病风险预测系统,通过该系统实现对用户慢性疾病风险的预测,进而 实现对高危人群的预警和疾病干预,达到对慢性疾病有效管理的目的...
机器学习是人工智能研究领域中一个极其重要的研究方向,在现今的大数据时代背景下,捕获数据并从中萃取有价值的信息或模式,成为各行业求生存、谋发展的决定性手段,这使得这一过去为分析师和数学家所专属的研究领域...
人工智能是什么 人工智能与机器学习的关系 人工智能发展历史 计算机为什么可以学习 机器学习的重要性 机器学习的常见种类 机器学习常见算法介绍 过拟合与欠拟合 目 录 人工智能与机器学习简介全文共28页,当前为第2...
通过深入研究有监督和无监督机器学习方法在流量分类中的应用,从数据预处理、模型构建和模型评估3个方面评述这类技术的研究现状,并指出存在的问题;总结得出现阶段基于机器学习的IP流量分类技术存在数据偏斜、标识瓶颈...
重点是将动态系统建模和控制与应用机器学习中的现代方法集成,本文包括因其相关性、简便性和通用性而选择的方法。主题范围从入门到研究水平的材料,使工程和物理科学的高级本科生和刚开始的研究生可访问。第二版的...
在数据爆炸式增长和计算⼒指数化增强的今天,概率论已经在机器学习中扮演了核⼼⾓⾊。 同线性代数⼀样,概率论也代表了⼀种看待世界的⽅式,其关注的焦点是⽆处不在的可能性。频率学派认为先验分布是固定的,模型...
显然,我们可以用多种语言编写机器学习代码,但是在机器学习的范围内,有四种语言处于领先地位。 (Python)[] 由于其简单性和柔和的学习曲线,它现在是比赛的领先者。 对于编程和机器学习的初学者来说,这是特别好...
通过深入研究有监督和无监督机器学习方法在流量分类中的应用,从数据预处理、模型构建和模型评估3个方面评述这类技术的研究现状,并指出存在的问题;总结得出现阶段基于机器学习的IP流量分类技术存在数据偏斜、标识...
这应该是一个使用机器学习的逻辑系统。 这是一项正在进行的工作。 它甚至还没有名字。 动机 数学研究的现状很难概括。 没有人关心清理我们留下的烂摊子。 对在无数论文中发展起来的理论进行结构化的努力被低估了。 ...
人工智能和机器学习基础 机器学习和神经网络正在Swift成为构建智能应用...了解AI的重要性,原理和领域 学习使用Python实现基本的人工智能概念 将回归和分类概念应用于实际问题 使用决策树和随机森林进行预测分析 使用
《机器学习》周志华著 阅读人群:建模 由于这个领域现在属于热门领域,因此数模的很大一部分未来的研究方向皆 在于此。我本人对于这个领域也处于学习当中。当然,你想要看懂这本书,还是 先学好概率论与数理统计,...
本项目通过赛事组委会提供的二手车交易样本数据,通过数据分析、信息挖掘等方式,采用机器学习与数学模型来分析二手车估价、交易周期的相关因素。具体问题如下: - 问题1:基于给定的二手车交易样本数据(附件 1:...
在机器学习和人工智能中,优化算法用于训练模型,通过调整模型参数来最小化损失函数,从而提高模型预测的准确性。例如,梯度下降法是一种广泛使用的优化算法,它通过计算损失函数的梯度来更新模型参数,逐步逼近最优...
宾夕法尼亚大学计算机和信息科学系教授 Jean Gallier 的开源书籍《Algebra, Topology, Differential Calculus, and Optimization Theory For Computer Science and Engineering》用一...9. 在机器学习中的应用 10. 附录
在这一部分中,我们将探讨机器学习的基本原理和方法。机器学习是一种通过训练算法和模型来使计算机从数据中学习和改进的方法。了解机器学习的基本概念和技术对于理解后续的贝叶斯定理的应用非常重要。 第三部分介绍...
机器学习是近年来科研领域中非常热门的一个方向,Python中的scikit-learn库和tensorflow库可以帮助科研人员快速地进行机器学习模型的构建和训练。scikit-learn库提供了各种机器学习算法的实现,包括分类、回归、...