El álgebra lineal trata con matrices, vectores y sus transformaciones. Tener una comprensión sólida de estos conceptos es la clave en el aprendizaje automático porque así es como se representan todos los datos en los programas que escribe y las bibliotecas que utiliza.
Por ejemplo, si desea escribir un programa que clasifique una fruta como venenosa o no, consideraría varias características de esta fruta, como el color, el peso, la forma, el origen, etc., tendría cientos de ejemplos a su disposición que alimentarías tu algoritmo de clasificación. ¿Cómo harías esto en un programa?
————————————————–
Nombre | Color | Peso | Forma | Venenoso
————————————————–
Mango Amarillo 25 Oval No
Apple Red 15 Round No
Le daría esta hoja de Excel (suponga que contiene 10 ejemplos) al programa (digamos escrito en python), que leería el archivo línea por línea y construiría una matriz que tiene 10 filas (10 ejemplos) y 5 columnas (5 características).
- ¿Cuál es el verdadero sentido detrás de la multiplicación de vectores?
- ¿Es posible obtener un producto de dos matrices, A y B, que es igual para AB y BA y no es igual a I?
- ¿Cómo se usa el álgebra lineal en la conducción autónoma?
- ¿Los productos escalares están siempre entre cantidades vectoriales?
- ¿Qué es [matemáticas] \ begin {vmatrix} \ binom {0} {0} & \ binom {1} {0} & \ cdots & \ binom {n} {0} \\ \ binom {1} {0} & \ binom {1} {1} & \ cdots & \ binom {n} {1} \\ \ vdots & \ vdots & \ ddots & \ vdots \\ \ binom {n} {0} & \ binom {n} { 1} & \ cdots & \ binom {n} {n} \ end {vmatrix} [/ math] igual a?
Si considera un problema de aprendizaje automático de la vida real, esta matriz sería mucho más grande con muchas dimensiones y formas diferentes. Para seleccionar las columnas apropiadas para operar, puede que tenga que cambiar estas filas y columnas, cambiar la forma de la matriz, eliminar valores dispersos, etc. diferentes operaciones de matriz posibles.
Otro ejemplo es la popular inclusión de palabras . La incrustación de una palabra (digamos cat) es solo un vector grande (matriz 1D), que contiene algunos valores. Para encontrar una palabra que tenga un significado similar a esta palabra (digamos animal), simplemente calcularía la similitud del coseno (distancia) entre estos dos vectores. Como este es un valor entre 0 y 1, cuanto mayor sea el valor, más similares son estas dos palabras en el contexto. Nuevamente, como ve, se necesita una conciencia de los vectores para comprender este concepto.
Finalmente, si desea utilizar cualquier biblioteca de aprendizaje profundo (Tensorflow, Torch, Theano), definitivamente necesitará comprender qué es un Tensor . En pocas palabras, un tensor es una matriz multidimensional (diferente del tensor físico). Todas estas bibliotecas realizan transformaciones extensivamente en los tensores y quedaría sin idea sin ningún conocimiento básico de álgebra lineal.
Desde mi experiencia limitada como estudiante, le sugiero encarecidamente que primero aprenda / revise algunos conceptos básicos de Álgebra Lineal antes de entrar en Machine / Deep Learning. No es necesario terminar los libros de texto o completar cursos sobre él, y puede seguir un enfoque de búsqueda y aprendizaje a medida que avanza. Sin embargo, saber qué transformaciones matriciales, rango de una matriz, valores propios, aritmética vectorial le dará la confianza y el entusiasmo para aprender y desarrollar algo por sí mismo.