Andrew Ng: Makine Öğrenimi ve Matematik

İyi bir matematik altyapım yok; Makine Öğrenimi ve AI’de uzmanlaşabilmek için matematikte neler öğrenmeliyim?

Andrew Ng, Coursera’nın Kurucularından; Stanford Üniversitesi’nde Misafir Profesör Cevaplama tarihi: 13.Eylül • Featured on Quora Sessions's Twitter

Çeviren: Ahmet Diril (e-posta)

Bence makine öğrenimi için en önemli matematik alanları , en önemlisinden başlayarak:

1. Lineer cebir

2. Olasılık ve istatistik

3. Calculus (çok değişkenli calculus da dahil)

4. Optimizasyon

Bunlardan sonrası pek de önemli değil. Bir de Bilgi Teorisi’nin faydalı olduğunu düşünüyorum. Bunların hepsiyle ilgili kursları Coursera’da ve birçok üniversitede bulabilirsiniz.

Daha fazla matematik bilmenin önemi inkar edilemez olsa da, etkin bir şekilde makine öğrenimi yapmak veya makine öğreniminde doktora yapmak için gerekli olan matematik seviyesinin yıllar boyunca düştüğünü düşünüyorum. Bunun nedeni, özellikle derin öğrenimin ortaya çıkışı ile, makine öğreniminin daha deneysel ve daha az teorik hale gelmesidir.

Doktora öğrencisiyken, reel analizi çok sevmiştim ve diferansiyel geometri, ölçü teorisi ve cebirsel geometri üzerinde de çalışmıştım. Tabii ki bu konuları bilmeniz bilmemenizden daha iyidir; ancak sınırlı bir zamanınız olan bu dünyada, sadece makine öğrenimi üzerinde çalışmak için daha fazla zaman ayırın ve AI sistemleri oluşturmak için diğer teknik temellerin bazılarını da öğrenin. Örn: Büyük veri (big data) sistemlerini oluşturan algoritmalar ve dev veritabanlarının nasıl düzenleneceği ve ayrıca HPC (yüksek performanslı hesaplama) gibi.

İyi şanslar!

I do not have strong mathematics background, what should I learn in mathematics to be able to master Machine Learning and AI?

Andrew Ng, Co-founder of Coursera; Adjunct Professor of Stanford Answered Sep 13 • Featured on Quora Sessions's Twitter

I think the most important areas of math for machine learning are, in decreasing order:

1. Linear algebra

2. Probability and statistics

3. Calculus (including multivariate calculus)

4. Optimization

After that, I think it falls off quickly. I’ve also found Information Theory helpful. You can find courses on all of these on Coursera or at most universities.

While it’s hard to argue against knowing more math, I think the level of math needed to do machine learning effectively, or to get a PhD in machine learning, has decreased over the years. This is because machine learning has become more empirical (based on experiments) and less theoretical, especially with the rise of deep learning.

As a PhD student I had loved real analysis, and also studied differential geometry, measure theory, and algebraic geometry. While you’re certainly be better off knowing these areas than not, in a world in which you have limited time, consider just spending more time studying machine learning itself, and even studying some of the other technical foundations for building AI systems, such as the algorithms that underly building big data systems and how to organize giant databases, plus HPC (high performance computing).

Best of luck!