机器学习机器学习需要哪些数学基础

机器学习都有哪些应用

如果你要坐飞机或者出席重要的公共活动，你几乎肯定要排长队去等候安检。

不过，机器学习正被证明是一项很有价值的安检资产，能够帮助避免误报情况，以及发现机场、体育场、音乐会等的人工安检人员可能会遗漏的东西。

它能够大大加速安检流程，同时也能够提高人们在重要活动中的人身安全。

深度学习和普通机器学习之间有何区别

1、普通机器学习一般指的是像决策树、逻辑回归、支持向量机、xgboost等 2、深度学习主要特点是使用深度神经网络：深度卷积网络、深度循环网络、递归网络等 区别的话： 1、算法层面上没有任何相似的地方，硬要说相似可能就是大家的功能都是对高维函数的拟合吧。

2、普通机器学习比较擅长分析维度较低，可解释性很强的任务。

比如数据挖掘、推荐算法。

他们的特点是一般情况下采集的数据维度都不高，以广告推送任务为例，一般分析的数据维度只会包含性别、年龄、学历、职业等。

可解释性很强，调参方向较为明确。

3、深度学习算法擅长分析高维度的数据。

比如图像、语音等。

以图片为例，一张图片像素可能几十上百万，相当于特征向量维度达到几十上百万，而且像素点与像素点之间的关系又不是特别明显。

这种时候用卷积神经网络能很有效的处理这种问题，基本很精确的抓取出图片的特征。

但是每个维度的权重可解释性极弱，调参方向很不明朗（神经元数量、隐含层层数等） 综上，其实两者差别很大的。

深度学习是近几年才发展起来的。

传统机器学习算法大都来源于概率论，信息学。

对于程序编写的话，传统机器学习模型基本上都集成在sklearn这个包里面，深度学习可以用tensorflow作为框架 想详细了解的话，传统机器学习可以看李航老师的《统计学原理》或者周志华老师的《机器学习》（也叫西瓜书）。

深度学习因为是这两年才发展起来的相关书籍很少，可以去查近两年的深度学习论文 当然两者都需要比较扎实的数学基础，主要是这三本：《线性代数》或《高等代数》、《高等数学》或《数学分析》、《概率论》或《随机过程》 谢谢

机器学习需要哪些数学基础

我们知道，机器学习涉及到很多的工具，其中最重要的当属数学工具了，因此必要的数学基础可谓是打开机器学习大门的必备钥匙。

机器学习涉及到的数学基础内容包括三个方面，分别是线性代数、概率统计和最优化理论。

下面小编就会好好给大家介绍一下机器学习中涉及到的数学基础知道，让大家在日常的机器学习中可以更好地运用数学工具。

首先我们给大家介绍一下线性代数，线性代数起到的一个最主要的作用就是把具体的事物转化成抽象的数学模型。

不管我们的世界当中有多么纷繁复杂，我们都可以把它转化成一个向量，或者一个矩阵的形式。

这就是线性代数最主要的作用。

所以，在线性代数解决表示这个问题的过程中，我们主要包括这样两个部分，一方面是线性空间理论，也就是我们说的向量、矩阵、变换这样一些问题。

第二个是矩阵分析。

给定一个矩阵，我们可以对它做所谓的SVD分解，也就是做奇异值分解，或者是做其他的一些分析。

这样两个部分共同构成了我们机器学习当中所需要的线性代数。

然后我们说一下概率统计，在评价过程中，我们需要使用到概率统计。

概率统计包括了两个方面，一方面是数理统计，另外一方面是概率论。

一般来说数理统计比较好理解，我们机器学习当中应用的很多模型都是来源于数理统计。

像最简单的线性回归，还有逻辑回归，它实际上都是来源于统计学。

在具体地给定了目标函数之后，我们在实际地去评价这个目标函数的时候，我们会用到一些概率论。

当给定了一个分布，我们要求解这个目标函数的期望值。

在平均意义上，这个目标函数能达到什么程度呢？这个时候就需要使用到概率论。

所以说在评价这个过程中，我们会主要应用到概率统计的一些知识。

最后我们说一下最优化理论，其实关于优化，就不用说了，我们肯定用到的是最优化理论。

在最优化理论当中，主要的研究方向是凸优化。

凸优化当然它有些限制，但它的好处也很明显，比如说能够简化这个问题的解。

因为在优化当中我们都知道，我们要求的是一个最大值，或者是最小值，但实际当中我们可能会遇到一些局部的极大值，局部的极小值，还有鞍点这样的点。

凸优化可以避免这个问题。

在凸优化当中，极大值就是最大值，极小值也就是最小值。

但在实际当中，尤其是引入了神经网络还有深度学习之后，凸优化的应用范围越来越窄，很多情况下它不再适用，所以这里面我们主要用到的是无约束优化。

同时，在神经网络当中应用最广的一个算法，一个优化方法，就是反向传播。