數學在機器學習上的用途
數學基礎數學課程數學軟體常用符號Tex 數學式數學用語嚴格的證明數學理論集合論數論幾何學三角函數尤拉數虛數代數學遊戲理論幾何級數動態系統論作業研究微積分離散數學線性代數機率統計數學應用人工智慧邏輯與程式方程式求解線性代數最佳化爬山演算法遺傳演算法神經網路機器學習訊號處理影像處理語音處理自然語言機器翻譯數學文明科學與數學工業與數學教學影片訊息相關網站參考文獻最新修改簡體版English |
機器學習中會用到包含微積分、機率統計、線性代數等數學,以下我們將介紹這些數學在機器學習方法上的角色與功能。 簡介自動學習的理論、通常會討論到收斂的狀況,也就是在何時算式學習完成,而這個收斂狀況,在數學上就可以用函數不再變化來表示,其數學運算式表示如下: (1)\begin{equation} f(x) = x \end{equation}
類神經網路機器學習中的類神經網路,主要利用到微積分的概念,幾乎所有類型的類神經網路,都是在找尋可微分函數的能量最低點,這包含了反傳遞網路 (Back Propagation Network)、自組織網路 (Self Organization Network) 與 Hopfield 網路 (Hopfield Network) 等。 其中、尤拉函數為微分運算的特徵點,因此、在許多類神經網路的模型上都會用到。 (2)\begin{align} \frac {d}{dx} e^x = e^x \end{align}
回饋式學習機器學習中回饋式學習,主要利用到線性代數的技巧,其中尤其是有關特徵值 (eigen value) 與特徵向量(eigen vector)的部份, 特徵向量為矩陣乘法的不動點,因此也是回饋運算的極限,其表示式如下: (3)\begin{align} [A] \overrightarrow{X} = \lambda \overrightarrow{X} \end{align}
|
page revision: 4, last edited: 29 Jul 2012 01:07
Post preview:
Close preview