踏入AI領(lǐng)域，這些數(shù)學(xué)基礎(chǔ)一定要打好

本文作者： AI慕課學(xué)院

2017-11-09 16:26

導(dǎo)語：機器學(xué)習(xí)應(yīng)該準備哪些數(shù)學(xué)預(yù)備知識？“線性代數(shù)、矩陣、概率論、凸優(yōu)化”必不可少！

2017年LinkedIn（領(lǐng)英）發(fā)布的《全球AI領(lǐng)域人才報告》顯示，過去三年間，通過領(lǐng)英平臺發(fā)布的AI職位數(shù)量從2014年的5萬飆升至2016年的44萬，增長近8倍。

人工智能市場發(fā)展迅猛，層出不窮的新算法和新工具讓人目不暇接。但是支撐其發(fā)展的基礎(chǔ)——數(shù)學(xué)理論，卻一直未變。

對于初學(xué)者來說，它是人工智能入門的基石。若是學(xué)習(xí)初期囫圇吞棗，往往會在算法出現(xiàn)accuracy不好、loss很高、模型已經(jīng)overfitting的時候，才后悔沒有好好掌握基礎(chǔ)的數(shù)學(xué)理論。

對于專業(yè)的Researcher來說，從大學(xué)到現(xiàn)在，課堂上學(xué)的和自學(xué)的數(shù)學(xué)其實不算少了，可是在研究的過程中總是發(fā)現(xiàn)需要補充新的數(shù)學(xué)知識，如Learning、Vision等都是很多種數(shù)學(xué)的交匯場。

可見數(shù)學(xué)在AI技能進階之路上有著極其重要的地位，但數(shù)學(xué)是一門龐大的學(xué)科，全面掌握難度較大，針對機器學(xué)習(xí)及具體的AI應(yīng)用領(lǐng)域我們還是需要有的放矢地進行學(xué)習(xí)。

以下是一位AI從業(yè)者總結(jié)的機器學(xué)習(xí)所需的數(shù)學(xué)基礎(chǔ)模塊，從中我們不難發(fā)現(xiàn)：

線性代數(shù)、概率論與統(tǒng)計是機器學(xué)習(xí)中最重要且不可缺少的
微積分則是數(shù)學(xué)分析體系的基礎(chǔ)，其基礎(chǔ)性作用不言而喻
一些復(fù)雜算法也是會被廣泛應(yīng)用在機器學(xué)習(xí)場景中，可見看凸優(yōu)化也是機器學(xué)習(xí)數(shù)學(xué)基礎(chǔ)中的重要一環(huán)
圖片來自rokia.org

的確，目前機器學(xué)習(xí)最主流的兩大類方法的基礎(chǔ)：一種是以研究函數(shù)和變換為重點的代數(shù)方法，比如Dimension reduction，feature extraction，Kernel等；一種是以研究統(tǒng)計模型和樣本分布為重點的統(tǒng)計方法，比如Graphical model, Information theoretical models等。它們側(cè)重雖有不同，但是常常是共同使用，這就更加強調(diào)了數(shù)學(xué)基礎(chǔ)的重要性。

看完這些，你是否想重新?lián)炱饠?shù)學(xué)學(xué)習(xí)教材？

對于廣大非數(shù)學(xué)科班出身的初學(xué)者來說，學(xué)習(xí)“線性代數(shù)、矩陣、概率論、凸優(yōu)化”這幾門課程，不僅費時費力，而且很難完全吃透課程里的知識點。

基于這一學(xué)習(xí)“剛需”，AI慕課學(xué)院聯(lián)手雷鋒網(wǎng)推出機器學(xué)習(xí)系列基礎(chǔ)課程，力邀學(xué)術(shù)精英和工業(yè)界講師親自授課。在大家起步機器學(xué)習(xí)之前，開設(shè)“線性代數(shù)及矩陣論、概率論與統(tǒng)計、凸優(yōu)化”3門基礎(chǔ)數(shù)學(xué)課程，幫助大家夯實數(shù)學(xué)基礎(chǔ)。

本期先為大家詳盡介紹《機器學(xué)習(xí)必修之線性代數(shù)及矩陣論》！（拼團優(yōu)惠進行中>>>直戳文末）

一、導(dǎo)師背景

踏入AI領(lǐng)域，這些數(shù)學(xué)基礎(chǔ)一定要打好