機(jī)器學(xué)習(xí)需要哪些數(shù)學(xué)基礎(chǔ)？主要是線性代數(shù)和概率論?，F(xiàn)在最流行的機(jī)器學(xué)習(xí)模型，神經(jīng)網(wǎng)絡(luò)基本上有很多向量、矩陣、張量。從激活函數(shù)到損失函數(shù)，從反向傳播到梯度下降，都是對這些向量、矩陣和張量的運(yùn)算和操作。其

機(jī)器學(xué)習(xí)需要哪些數(shù)學(xué)基礎(chǔ)？

主要是線性代數(shù)和概率論。

現(xiàn)在最流行的機(jī)器學(xué)習(xí)模型，神經(jīng)網(wǎng)絡(luò)基本上有很多向量、矩陣、張量。從激活函數(shù)到損失函數(shù)，從反向傳播到梯度下降，都是對這些向量、矩陣和張量的運(yùn)算和操作。

其他“傳統(tǒng)”機(jī)器學(xué)習(xí)算法也使用大量線性代數(shù)。例如，線性回歸與線性代數(shù)密切相關(guān)。

從線性代數(shù)的觀點(diǎn)來看，主成分分析是對協(xié)方差矩陣進(jìn)行對角化。

尤其是當(dāng)你讀論文或想更深入的時(shí)候，概率論的知識是非常有用的。

它包括邊緣概率、鏈?zhǔn)揭?guī)則、期望、貝葉斯推理、最大似然、最大后驗(yàn)概率、自信息、香農(nóng)熵、KL散度等。

神經(jīng)網(wǎng)絡(luò)非常講究“可微性”，因?yàn)榭晌⒛Ｐ涂梢杂锰荻认陆捣▋?yōu)化。梯度下降和導(dǎo)數(shù)是分不開的。所以多元微積分也需要。另外，由于機(jī)器學(xué)習(xí)是以統(tǒng)計(jì)方法為基礎(chǔ)的，因此統(tǒng)計(jì)知識是必不可少的。但是，大多數(shù)理工科專業(yè)學(xué)生都應(yīng)該學(xué)過這兩部分內(nèi)容，所以這可能不屬于需要補(bǔ)充的內(nèi)容。

數(shù)據(jù)擬合是什么意思？

數(shù)據(jù)擬合又稱曲線擬合，俗稱拉曲線，是通過數(shù)學(xué)方法將現(xiàn)有數(shù)據(jù)表達(dá)成數(shù)字公式的一種方法?？茖W(xué)和工程問題可以通過采樣和實(shí)驗(yàn)等方法獲得大量離散數(shù)據(jù)。根據(jù)這些數(shù)據(jù)，我們往往希望得到一個(gè)連續(xù)函數(shù)（即曲線）或更密集的離散方程，這與已知的數(shù)據(jù)是一致的。這個(gè)過程叫做擬合。