作为一门基础性学科,数学在数据科学和机器学习领域都发挥着不可或缺的作用。数学基础是理解各种算法的先决条件,也将帮助我们更深入透彻地了解算法的内在原理。所以,本文作者阐释了数据科学和机器学习为何离不开数学,并提供了统计学与概率论、多变量微积分、线性代数以及优化方法四个数学分支中需要熟悉的一些数学概念。
本文的作者是物理学家、数据科学教育者和作家 Benjamin Obi Tayo 博士,他的研究兴趣在于数据科学、机器学习、AI、Python 和 R 语言、预测分析、材料科学和生物物理学。
本文作者 Benjamin Obi Tayo。
数据科学和机器学习离不开数学
如果你是一个数据科学爱好者,则大概会产生以下两个疑问:
我们都知道,数据科学离不开各式各样的扩展包。并且,现在有很多性能强大的包可以用来构建预测模型或者用来生成可视化数据。如下列举了用于描述性和预测性分析的一些最常见包:
得益于以上这些扩展包,任何人都可以构建模型或者生成可视化数据。但与此同时,要优化模型进而生成性能最佳的可靠模型,拥有强大的数学背景也是很有必要的。
也就是说,构建模型只是一方面,另一方面还需要对模型进行解释,得出有意义的结论,这样才能更好地做出数据驱动的决策。
最后,在使用这些包之前,你需要理解每个包中蕴含的数学基础,这样才不会只把这些包当作黑盒工具(black-box tool)。
案例分析:构建一个多元回归模型
假设我们要构建一个多元回归模型,那么需要事先问自己几个问题:
很明显,如果没有良好的数学背景,你将无法解决上述问题。因此,在数据科学和机器学习中,数学技能和编程技能一样重要,这很关键。
作为一个数据科学的推崇者,投入时间来学习数据科学和机器学习中的理论基础和数学基础很有必要。毫不夸张地说,你所构建的可靠有效模型能否用于解决现实世界的问题,这也将取决于你的数学技能有多好。
接下来讨论一下数据科学和机器学习中一些必要的数学技能。
数据科学和机器学习中必要的数学技能
数学包罗万象,任何人都不可能门门精通。所以,在数据科学和机器学习研究中,我们可以根据自身所在的具体领域、手头的具体工作或者使用的具体算法来有侧重地学习对应的数学技能。
1. 统计学与概率论
统计学和概率论可用于可视化变量、数据预处理、特征变换、数据插补、降维、特征工程和模型评估等等。
以下是需要熟悉的一些统计学与概率论概念:
2. 多变量微积分(Multivariable Calculus)
大多数机器学习模型是使用包含几种特征或预测变量的数据集来构建的。因此,熟悉多变量微积分对于构建机器学习模型非常重要。
以下是你需要熟悉的多变量微积分数学概念:
3. 线性代数
线性代数是机器学习中最重要的数学技能,一个数据集可以被表示为一个矩阵。线性代数可用于数据预处理、数据转换以及降维和模型评估。
以下是你需要熟悉的线性代数概念:
4. 优化方法
大多数机器学习算法通过最小化目标函数的方法来执行预测建模。
以下是你需要熟悉的优化数学概念:
总之,作为一个数据科学的推崇者,应该时刻谨记,理论基础对构建有效可靠的模型至关重要。因此,你应该投入足够的时间去研究每一种机器学习算法背后的数学理论。
原文链接:
https://medium.com/towards-artificial-intelligence/how-much-math-do-i-need-in-data-science-d05d83f8cb19
【本文是51CTO专栏机构“机器之心”的原创译文,微信公众号“机器之心( id: almosthuman2014)”】
11月18日,移动大数据服务商极光发布《2019年Q3智能手机市场洞察报告》(以下简称...
5G消息,被视为运营商5G时代重大业务创新。在运营商内部也称之为内循环背景下5G...
公共交通需要出示健康码,那出示不了怎么办? 在防控常态化的当下,健康码成为了...
Modbus协议采用主从式通信,日常使用较多的是Modbus RTU和Modbus TCP/IP两种。 ...
01 术语整理 本节概述机器学习及其三个分类(监督学习、非监督学习和强化学习)。...
路由选择协议基础 所有路由选择协议都是围绕着一种算法而构建的。通常,一种算法...
自工信部发放5G商用牌照,我国5G商用推进已满一年,在2020年我国5G新基建有序推...
5G、人工智能、区块链等新技术的不断突破,给所有企业转型,带来了各种全新与未...
无线网络智能化,已经成为互联网产业发展的一大新趋势。利用AI、5G等技术,实现...
人脸识别作为人工智能的一项标志性技术,已经开始大规模落地。 从面部解锁、身份...