从数学入手，3招打破机器学习的边界

全世界只有3.14 % 的人关注了

数据与算法之美

本文约2007余字，阅读需要约6分钟；
系统资料领取见文末；
关键词：人工智能，机器学习，深度学习，数学，学习建议

01.机器学习工程师的边界是什么？

大多数的事物都是有边界的。那机器学习的边界又是什么呢？

640?wx_fmt=jpeg

对，就是数学。掌握了数学这个机器学习的底层基础，不仅可以加深对算法的理解，还能在模型优化阶段更加游刃有余。

02.如何打破边界？

希望以下的内容能给你参考思路。

• 机器学习中的数学基础

方法建议：将实际意义与兴趣赋予看似枯燥的学习之后，尽量死磕最少必要知识。

640?wx_fmt=jpeg

上图是个使用逻辑回归判断一个男生是否是一位合适的女婿的例子。

其中，Y=w1*身高+w2*品德+w3*财富+w4*颜值+w5*就可以表达为多项式Y=w1*x1+w2*x2+w3*x3+w4*x4+w5*5，通过Sigmoid函数后，转化为该男生可能成为优秀女婿的概率问题。

这里会涉及sigmoid函数、求导算法、梯度下降、正则项控制过拟合等数学知识。遇到问题解决问题，死磕关键点，才不会钻入牛角尖，陷入数学知识的汪洋大海中孤立无援。

• 机器学习中的线性代数

方法建议：尽量将线性代数与现实意义结合起来

对于线性代数，理解它与机器学习的关键在于：理解线性代数与现实世界的巧妙的耦合。

640?wx_fmt=jpeg

上图中的x，y可以分别代表观察事物的2个维度。

x，y各自有大量的线性组合，意味着事物的2个维度有大量不同的看法，

将这些看法用机器来进行计算、归纳、演绎，并组合大量个别的看法，抽离出符合大多数的平衡点，从而得出普遍适用的结论。这不就是一件奇妙的巧妙而耦合的事件嘛~

• 机器学习中的概率统计

方法建议：尽量将看似无味的概率统计知识与感兴趣的话题结合起来理解

隐马尔科夫（HMM）算法是机器学习中的一个概率图模型，也是很多算法岗位面试中的考察难点。来自知乎的王蒟蒻，就用一个游戏的场景清楚的解释了隐马尔科夫（HMM）算法的原理。

https://www.zhihu.com/question/20962240/answer/33614574(链接)

我是一战士，修炼出了三种战斗形态，分别为暴怒态，正常状态和防御态。同时我也会三个被动技能，分别是普通平A，爆击(攻击伤害翻倍)，吸血(生命汲取)。

我在暴怒状态下打出暴击的概率是80%,打出吸血概率为5%；
在平衡形态下，打出暴击的比率为30%，打出吸血的概率是20%；
在防御形态下，暴击成功概率为5%，吸血概率为60%。

总结一下，战士在不同状态下能打出技能的概率不一样。

本来，战士这个职业在暴怒态时，身边会有一圈红光环；防御态时，会有一圈蓝光环。但是，现在我正在玩游戏，游戏突然出了个bug：有个傻x程序员改了游戏的代码，他给写崩了，从此战士身边光环都看不见了。那我没法通过看脚下的光环知道战士在爆什么状态了。

话说，现在问题来了：由于看不到脚下光环，我只能估计“战士”在爆什么状态；但我现在打一boss，砍10次，发现8次都是暴击，血哗哗地翻倍在掉，你觉得我这战士最可能是爆了什么状态？

所以，通过自己感兴趣的话题来理解深奥的概率问题，就轻松很多了。