¿Qué tipo de cálculo se utiliza en la ciencia de datos?

¿Eres un aspirante a científico de datos que está fascinado por cómo funcionan las cosas en el mundo de la ciencia de datos y el aprendizaje automático? Bueno, felicidades por elegir el camino de carrera adecuado que es más adecuado para ti en este momento en el tiempo. Sin embargo, ¿sabía usted que usted necesita as matemáticas para el aprendizaje automático y la ciencia de los datos? Sí, lo has oído bien.

No importa qué tipo de relación odio-amor tuviste con las matemáticas en la escuela. Los conceptos básicos utilizados en matemáticas y estadísticas son realmente muy útiles para tomar decisiones estratégicas mientras se diseñan modelos de aprendizaje automático. Por lo tanto, si usted ha decidido elegir esta trayectoria profesional en el campo de la ciencia de datos, es necesario empezar a amar los conceptos de matemáticas e implementarlos en su futuro, ya que es uno de los requisitos previos para el aprendizaje automático.

¿Cuál es la correlación entre el aprendizaje automático y las matemáticas?

El aprendizaje automático es todo sobre matemáticas, que a su vez ayuda a crear un algoritmo que puede aprender de los datos para hacer una predicción precisa. La predicción podría ser tan simple como clasificar perros o gatos de un determinado conjunto de imágenes o qué tipo de productos recomendar a un cliente basado en compras anteriores. Por lo tanto, es muy importante entender correctamente los conceptos matemáticos detrás de cualquier algoritmo de aprendizaje automático central. De esta manera, te ayuda a elegir todos los algoritmos adecuados para tu proyecto en ciencia de datos y aprendizaje automático.

El aprendizaje automático se basa principalmente en prerrequisitos matemáticos, por lo que mientras pueda entender por qué se utilizan las matemáticas, lo encontrará más interesante. Con esto, usted entenderá por qué elegimos un algoritmo de aprendizaje automático sobre el otro y cómo afecta el rendimiento del modelo de aprendizaje automático.

Puntos a cubrir en esta entrada de blog

¿Qué conceptos matemáticos están involucrados en el aprendizaje automático?

¿Por qué necesitas matemáticas en proyectos de aprendizaje automático?

¿Cuál es la manera apropiada de aprenderla?

En el blog de hoy, vamos a discutir exactamente todos los conceptos matemáticos que necesita para aprender a dominar los conceptos de ciencia de datos y aprendizaje automático. También aprenderemos por qué utilizamos las matemáticas en el aprendizaje automático con algunos ejemplos.

Vamos a empezar por mirar las muchas formas de matemáticas utilizadas en la ciencia de los datos y el aprendizaje automático para que pueda obtener una mejor comprensión de lo que realmente necesita saber sobre matemáticas para la profesión de ciencias de los datos.

Qué conceptos matemáticos se implementan en la ciencia de datos y el aprendizaje automático

El aprendizaje automático está impulsado por cuatro conceptos críticos y es Estadística, Álgebra Lineal, Probabilidad y Cálculo. Mientras que los conceptos estadísticos son la parte central de cada modelo, el cálculo nos ayuda a aprender y optimizar un modelo. El álgebra lineal es excepcionalmente útil cuando estamos tratando con un enorme conjunto de datos y la probabilidad ayuda a predecir el sustento de los eventos que ocurrirán. Estos son los conceptos matemáticos que encontrará en su carrera de ciencias de datos y aprendizaje automático con bastante frecuencia.

Conceptos matemáticos importantes para el aprendizaje automático y la ciencia de los datos:

Álgebra lineal

Cálculo

Teoría de la probabilidad

Matemáticas discretas

Estadística

Concepto lineal de álgebra en el aprendizaje automático:

Comprender cómo construir ecuaciones lineales es un componente fundamental en el desarrollo de algoritmos de aprendizaje automático central. Estos se utilizarán para evaluar y observar las recopilaciones de datos. El álgebra lineal se aplica en algoritmos de aprendizaje automático en funciones de pérdida, regularización, matrices de covarianza, descomposición de valor singular (SVD), operaciones de matriz y clasificación de máquinas vectoriales de soporte. También se aplica en algoritmos de aprendizaje automático como la regresión lineal. Estos son los conceptos que se necesitan para comprender los métodos de optimización utilizados para el aprendizaje automático

Con el fin de realizar un análisis de componentes principales que se utiliza para reducir la dimensión de los datos, utilizamos álgebra lineal. El álgebra lineal también se utiliza fuertemente en redes neuronales para el procesamiento y representación de redes. Así que no hace falta decir, es necesario estar interesado en el álgebra lineal, ya que se utiliza ampliamente en el campo de la ciencia de datos.

Sin embargo, no se deje intimidar por esto, ya que la comprensión de los conceptos será importante, pero usted no tiene que ser un experto en álgebra lineal para resolver la mayoría de los problemas. Sólo un conocimiento sólido de los conceptos será lo suficientemente bueno. Matemáticas para el aprendizaje automático por Marc Peter deisenroth es un excelente libro para ayudarle a empezar en este viaje si usted está luchando con las matemáticas en el principio.

Cálculo en el aprendizaje automático:

Muchos alumnos a los que no les gustaba aprender el cálculo que se enseñaba en la escuela estarán en un shock grosero, ya que es una parte integral del aprendizaje automático. Afortunadamente, es posible que no necesite dominar el cálculo, sólo es importante aprender y entender los principios del cálculo. Además, es necesario entender las aplicaciones prácticas del aprendizaje automático a través del cálculo durante la construcción de modelos.

Por lo tanto, si usted entiende cómo la derivada de la función devuelve su tasa de cambio en el cálculo, entonces usted será capaz de entender el concepto de descenso de gradiente. En descenso de gradiente, necesitamos encontrar los mínimos locales para una función y así sucesivamente. Si tienes puntos de silla de montar o varios mínimos, un descenso de gradiente puede encontrar un mínimo local y no un mínimo global, a menos que empieces desde varios puntos. Algunos de los temas necesarios para la parte de cálculo en la ciencia de datos son Cálculo Diferencial e Integral, Derivados Parciales, Funciones Vector-Valores, Gradientes Direccionales.

El cálculo multivariado se utiliza tanto en el entrenamiento de algoritmos como en el descenso de gradiente. Los derivados, divergencias, curvatura y aproximaciones cuadráticas son conceptos importantes que puedes aprender e implementar.

Las matemáticas del aprendizaje automático pueden parecer intimidantes para usted en este momento, sin embargo, usted será capaz de entender los conceptos de cálculo que se requieren para construir un modelo de aprendizaje automático exitoso en pocos días de aprendizaje constructivo.

Utilización de estadísticas descriptivas

Las estadísticas descriptivas son un concepto crítico que cada aspirante a científico de datos necesita aprender a entender el aprendizaje automático cuando trabaja con clasificaciones como regresión logística, distribuciones, análisis de discriminación y pruebas de hipótesis.

Si usted estaba luchando con las estadísticas en la escuela entonces usted necesita poner en su 200 por ciento para aprender la parte de las matemáticas de las estadísticas, ya que es muy esencial para que usted se convierta en un científico de datos exitoso. Para decirlo en palabras más sencillas, la estadística es la parte principal de las matemáticas para el aprendizaje automático. Algunas de las estadísticas fundamentales necesarias para el ML son Combinatoria, Axiomas, Teorema de Bayes, Diferencia y Expectación, Variables Aleatorias, Condicionales y Distribuciones Conjuntas.

Matemáticas discretas en el aprendizaje automático

Matemáticas discretas se refiere a los números no continuos, la mayoría de las veces enteros. Muchas aplicaciones requieren el uso de números discretos. Al programar una flota de taxis, por ejemplo, no puede enviar 0,34 taxis; debe enviar los completos. No se puede tener medio cartero o hacerle visitar 1 lugar y medio para entregar las cartas.

Muchas de las estructuras de la inteligencia artificial son discretas. Una red neuronal, por ejemplo, tiene un número entero de nodos e interconexiones. No puede tener 0.65 nodos o un noveno de un enlace. Como resultado, las matemáticas utilizadas para construir una red neuronal deben incluir un elemento discreto, el entero que representa el número de nodos e interconexiones.

Usted puede salirse con la suya con los fundamentos de matemáticas discretas para el aprendizaje automático a menos que desee trabajar con dominios relacionales, modelos gráficos, problemas combinatorios, predicción estructurada, y así sucesivamente. Para dominar estos conceptos hay que referirse a libros sobre matemáticas discretas. Por suerte para los graduados en ciencias de la computación, estos conceptos están adecuadamente cubiertos en su universidad. Sin embargo, otros tal vez tengan que hacer esfuerzos adicionales para entender este tema. Por lo tanto, la matemática discreta es un componente muy importante de AI & ML.

Teoría de la probabilidad en el aprendizaje automático

Para trabajar adecuadamente a través de un proyecto de modelado predictivo de aprendizaje automático, sería razonable concluir que la probabilidad es esencial.

El aprendizaje automático es el proceso de crear modelos de predicción a partir de datos ambiguos. Trabajar con información defectuosa o incompleta es lo que implica la incertidumbre.

La incertidumbre es crucial para el aprendizaje automático, pero es uno de los componentes que crea más dificultades para los recién llegados, en particular los que provienen de un contexto de programación.

En el aprendizaje automático, hay tres fuentes principales de incertidumbre: datos ruidosos, cobertura limitada del área problemática y, por supuesto, modelos imperfectos. Sin embargo, con la ayuda de las herramientas de probabilidad adecuadas, podemos estimar la solución al problema.

La probabilidad es esencial para las pruebas de hipótesis y distribuciones como la distribución gaussiana y la función de densidad de probabilidad.

Veamos ahora las aplicaciones una vez que hayamos examinado los tipos en matemáticas y ciencias de los datos.

¿ Por qué debemos preocuparnos por las matemáticas? ¿Por qué necesitas matemáticas en proyectos de aprendizaje automático?

Hay numerosas razones por las que las matemáticas para el aprendizaje automático es significativo, y voy a compartir algunos de los puntos importantes a continuación:

Elegir el mejor algoritmo requiere tener en cuenta la precisión, el tiempo de entrenamiento, la complejidad del modelo, el número de parámetros y el número de características.

Selección de valores de parámetros y métodos de validación.

Entender el intercambio de Bias-Variance le permite identificar problemas de ajuste inadecuados y excesivos que normalmente ocurren al ejecutar el programa.

Determinar el intervalo de confianza correcto y la incertidumbre.

¿Cuál es la manera adecuada de aprender matemáticas para la ciencia de datos y el aprendizaje automático?

Aunque hay un montón de recursos valiosos disponibles en Internet que explica conceptos como matriz descomposicións vectorial cálculo, álgebra lineal matriz de geometría analítica, matemáticas detrás del análisis de componentes principales, y máquinas vectoriales de apoyo. No todos los recursos son una solución única para su comprensión. Por lo tanto, he recopilado una lista de libros, sitios web y canales de youtube que pueden ayudarle a mejorar su concepto teórico en el campo de la inteligencia artificial.

Cálculo multivariado por Imperial College London – Imperial College London ha creado básicamente una serie de YouTube que cubre los conceptos importantes de cálculo multivariado y su aplicación en varios algoritmos de ml. Aunque todo el curso está en colaboración con Coursera, Imperial College London lo ha puesto a disposición de forma gratuita para todos los estudiantes curiosos.

Udacity’s Introducción a la estadística – es otro recurso gratuito a través del cual se puede obtener un nivel inicial de comprensión en el campo de la estadística que se necesita para la ciencia de datos.

Conclusión

Le tomará alrededor de 3-4 meses para aprender los conceptos matemáticos y ponerlos a uso práctico. Por favor, consulte los recursos antes mencionados y no olvide seguir aprendiéndolo lado a lado con los algoritmos de aprendizaje automático para que pueda entender cuál es el algoritmo correcto que necesita elegir para su modelo.

Los medios mostrados en este artículo no son propiedad de Analytics Vidhya y se utilizan a discreción del Autor.