Un’analisi completa di come puoi apprendere in modo efficace il machine learning quest’anno
Lavoro come Data Scientist da oltre due anni. Nel tempo ho imparato e studiato principalmente il machine learning (ML). Per me è probabilmente la parte più affascinante del lavoro.
ML è un GRANDE spazio, c’è così tanto da imparare e capire. Tuttavia, fare un passo alla volta rende l’intero processo meno scoraggiante e molto più facile da gestire.
In questo articolo, voglio riepilogare i passaggi che farei se dovessi imparare di nuovo il machine learning da zero. Entriamo nel vivo!
L’apprendimento automatico ruota attorno agli algoritmi, che sono essenzialmente una serie di operazioni matematiche. Questi algoritmi possono essere implementati attraverso vari metodi e in numerosi linguaggi di programmazione, ma i principi matematici sottostanti sono gli stessi.
Un argomento frequente è che non è necessario conoscere la matematica per l’apprendimento automatico perché la maggior parte delle librerie e dei pacchetti moderni astraggono la teoria dietro gli algoritmi.
Tuttavia, direi che se vuoi diventare un ingegnere di machine learning o un data scientist di alto livello, devi conoscere almeno le basi dell’algebra lineare, del calcolo e della statistica.
Naturalmente c’è più matematica da imparare, ma è meglio iniziare con le basi e potrai sempre arricchire le tue conoscenze in seguito.
Non è necessario comprendere tutti questi concetti a livello di master, ma dovresti essere in grado di rispondere a domande come cos’è una derivata, come moltiplicare le matrici insieme e cos’è la stima di massima verosimiglianza.
L’elenco che ho appena scritto è il fondamento di quasi tutti gli algoritmi di apprendimento automatico, quindi avere queste solide basi ti preparerà per il successo a lungo termine.
Alcune delle cose fondamentali che ti consiglio di imparare sono:
- Calcolo multivariabile
- Matrici e loro operazioni
- Autovettori e autovalori
- Distribuzioni di probabilità
- Incertezza statistica (intervalli di confidenza, intervalli di previsione, ecc.)
Fonte: towardsdatascience.com
