Машинное обучение основано на

Статистика

Статистика содержит инструменты, которые можно использовать для получения определенного результата из данных. Существует описательная статистика, которая используется для преобразования необработанных данных в некоторую важную информацию. Кроме того, логическую статистику можно использовать для получения важной информации из выборки данных вместо использования полного набора данных.

Линейная алгебра

Линейная алгебра имеет дело с векторами, матрицами и линейными преобразованиями. Это очень важно в машинном обучении, поскольку его можно использовать для преобразования и выполнения операций с набором данных.

Исчисление

Набор данных, имеющий несколько функций, используется для построения моделей машинного обучения, поскольку функции представляют собой многовариантное исчисление, которое играет важную роль в построении модели машинного обучения.

Вероятность

Вероятность помогает предсказать вероятность событий. Она помогает нам рассуждать о том, что ситуация может повториться, а может и не произойти. Для машинного обучения вероятность является основой.

Язык программирования

Питон или R

Поскольку оба языка содержат несколько библиотек для выполнения математических операций, эти языки широко используются в машинном обучении.

Базовые навыки программирования (Python). Структуры данных: строка, список, кортеж, набор, словарь. Библиотеки: Numpy, Pandas, Matplotlib.

Вам нужно будет знать несколько операций, таких как хранение данных, доступ (CSV) и манипулирование данными, предоставленными структурами данных, и использовать их эффективно, понимая их плюсы и минусы.

Математика машинного обучения

Машинное обучение — это создание алгоритма, который может учиться на данных, чтобы делать прогнозы, например, какие объекты есть на картинке, или механизм рекомендаций, лучшая комбинация лекарств для лечения определенного заболевания или фильтрация спама.

Машинное обучение основано на математических предпосылках, и если вы знаете, почему математика используется в машинном обучении, вам будет весело. Вам нужно знать математику функций, которые вы будете использовать, и какая модель подходит для данных и почему.

Итак, давайте начнем с интересной задачи прогнозирования цен на жилье, имея набор данных, содержащий историю различных характеристик и цен, а пока мы рассмотрим площадь жилой площади в квадратных футах и ​​цены. Теперь у нас есть набор данных, содержащий два столбца, как показано ниже.

Для полной истории посетите: https://blog.thinkitive.com/prerequisites-for-learning-machine-learning/