Concepto matemático requerido para Deep Learning

¿Por qué se requieren matemáticas para el aprendizaje profundo?
Las personas interesadas que tienen sed de aprender más sobre el concepto detrás de un algoritmo de aprendizaje profundo deben abordar las Matemáticas en un camino u otro. Las matemáticas son el concepto central a partir del cual se construyen los algoritmos de aprendizaje profundo y se utilizan para expresar la idea que parece bastante obvia, pero que son inesperadamente difíciles de elaborar y, una vez que se elabora correctamente, podemos obtener una comprensión adecuada del problema que enfrentamos. se dan para resolver. En este artículo, analizaremos en detalle las matemáticas necesarias para el aprendizaje profundo. Ahora, si hay una chispa de luz dentro de ti, para aprender más sobre el aprendizaje profundo, comienza con estos temas de matemáticas:

  1. Geometría y Álgebra Lineal
    • Geometría de Vectores
    • Ángulos y productos punto con similitud de coseno
    • Hiperplanos
    • La geometría de la Transformación Lineal
    • Rango de array
    • Dependencia lineal
    • invertibilidad
    • Determinante

    Aprende Álgebra Lineal aquí y nociones básicas de Geometría aquí

  2. Descomposición de arrays
    • Encontrar valores propios y vectores propios
    • Arrays en descomposición
    • Operaciones de descomposición propia
    • Descomposición de valor único
    • Análisis de componentes principales
    • Aproximación de arrays
    • Descomposición propia y diagonalización de arrays simétricas
    • Teorema del círculo de Gershgorin
    • Descomposición LU, Descomposición QR/Factorización
    • Arrays Simétricas, Ortogonalización y Ortonormalización

    Más información sobre la descomposición de arrays aquí

  3. Cálculo de variable única
    • Calculo diferencial
    • reglas de calculo

    Aprende cálculo aquí

  4. Probabilidad y Distribuciones
    • Regla de la suma, regla del producto y teorema de Bayes
    • Distribución gaussiana
    • Probabilidades discretas y continuas
    • combinatoria
    • Distribuciones condicionales y conjuntas
    • Distribución Bernoulli
    • Distribución Uniforme Discreta
    • Distribución binomial
    • Distribución de veneno
    • Distribución Uniforme Continua
    • Distribución gaussiana
    • Distribución familiar exponencial

    Consulte esto para videos sobre Probabilidad y para diferentes distribuciones aquí .

  5. bayesiana ingenua
    • Reconocimiento Óptico de Caracteres
    • Modelo Probabilístico de Clasificación
    • Clasificador bayesiano ingenuo

    Para obtener más información sobre esto, consulte el artículo de GeeksForGeek aquí .

  6. Cálculo multivariado
    • Diferenciación de dimensiones superiores
    • Regla de la string multivariante
    • Algoritmo de retropropagación
    • Gradiente, descenso de gradiente y su geometría
    • Cálculo Integral, Derivadas Parciales
    • Funciones de valores vectoriales
    • Distribución jacobiana, laplaciana y lagrangiana

    Consulte este libro para obtener más información al respecto.

  7. Cálculo integral
    • Teorema del cálculo
    • Convenciones de signos
    • Interpretación geométrica
    • Integrales Múltiples Conceptos y Cambio de Variables

    Para obtener información básica sobre cálculo integral, consulte aquí .

  8. Variables aleatorias
    • El concepto de Discreta a Continua en Variables Aleatorias
    • Medias, Varianzas, Desviación Estándar y su concepto en un continuo
    • Función de densidad de probabilidad
    • Función de distribución acumulativa
    • Función de densidad conjunta
    • Distribución marginal
    • Covarianza y Correlación

    Una guía detallada sobre este tema aquí

  9. Estadísticas
    • Evaluación y Comparación de Estimadores
    • Realización de pruebas de hipótesis
    • Construcción de intervalos de confianza

    Consulte aquí para obtener más información al respecto.

  10. Probabilidad sobre Máxima Verosimilitud
    • Principio de Máxima Verosimilitud con ejemplos
    • Optimización numérica y log-verosimilitud negativa
    • Probabilidad máxima para variables continuas
    • Función de generación de momentos
    • Anterior y Posterior, Estimación Máxima a Posterior, Métodos de Muestreo

Para obtener más información al respecto, consulte aquí

  • Teoría de la Información (Opcional Para principiantes) Infórmate aquí

Después de ser bueno en los temas matemáticos anteriores, puede continuar y ensuciarse las manos con estos temas.

  1. Algunos temas matemáticos avanzados
    • cálculo hamiltoniano
    • Cálculo de Halley
    • Números complejos
    • cuaterniones
    • sedeniones
    • Función cuadrática
    • Problemas de Np
    • Probabilidades Avanzadas y Estática

    Una guía integral para todos los temas anteriores aquí

  2. Tres razones por las que las matemáticas te ayudarán en tu futuro con una carrera en el campo del aprendizaje profundo:-
    • Ayuda matemática para seleccionar un algoritmo correcto teniendo en cuenta su complejidad, tiempo de entrenamiento, características y precisión
    • Aproximar el intervalo de confianza adecuado y la imprevisibilidad.
    • Ayuda en la selección del plan de aceptación de un algoritmo y en la elección de su configuración de parámetros.
  3. Algunas de las aplicaciones interesantes que requieren un algoritmo de aprendizaje profundo: –
    • Suponga que tiene a su tatarabuelo negro y, si bien se puede capturar una imagen a principios del siglo XX, ahora, con la ayuda de Deep Neural Network, ahora es posible colorear esa imagen en blanco y negro y, para una sorpresa, esto también es posible con un video.

Documentación de Stanford sobre lo anterior aquí

  • La superresolución recursiva de píxeles desarrollada por Google Brain Researchers ha creado esta red neuronal de aprendizaje profundo, y es capaz de predecir una imagen algo precisa de una imagen casi borrosa.

Publicación de Google sobre esto aquí .

  • La lectura de labios desarrollada por la Universidad de Oxford es una red neuronal de aprendizaje profundo capaz de leer los labios de una persona y convertirlos directamente en texto y ni siquiera necesita el sonido de una persona hablando.

Documentación de Stanford sobre esto aquí .

  • La red neuronal de aprendizaje profundo ahora es capaz de detectar la ubicación de la imagen donde se hizo clic y mostrarla en un mapa.

Consulte la documentación de PlaNet aquí .

  • Algunas especies de ballenas en peligro de extinción se están detectando con una red neuronal de convolución y aquí es donde se están implementando conceptos de aprendizaje profundo para salvarlas.

Consulte aquí para obtener más información.

  • Ya se han desarrollado coches autónomos , que pueden detectar el tráfico y elegir una ruta óptima.

Consulte la documentación de Stanford aquí .

  • Aparte de esto, los algoritmos de aprendizaje profundo se están implementando en todas partes, por ejemplo, predicción de terremotos, composición musical, entretenimiento, atención médica y, por supuesto, robótica.

Más aquí

Para obtener más información sobre el aprendizaje profundo y la red neuronal, consulte este enlace a continuación.

Referencias: –

Publicación traducida automáticamente

Artículo escrito por luffysenpai y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *