人工智能需要学习哪些数学知识?
需要先循序渐进地学习几门基础知识:
1、高等数学
2、线性代数
3、概率和数理统计
4、一门计算机语言(Java/C++/Python and the like)
5、算法
从我目前工作中用到的数学的角度来讲一下:
- 初级知识:
2. 高级知识
- 微分学
- 积分学
- 求导
- 统计学
- 线性代数
- 贝叶斯原理
- 最小二乘法
- sigmoid函数
谢邀,如果要说全,那就多了去了。但实际上如果认真学习大学数学,其实基础已经基本满足,我下面列一些基本的数学知识要求供参考。
基本要求内容:
n阶行列式
n维向量组求解
向量矩阵求解
正定二次型问题
阶方阵的相似矩阵问题
线性规划问题
数学、统计学与编程一起构成了数据科学(data science)的基础,而数据科学,是人工智能的基本知识之一,因此,学习这些基础是极为重要的:
1、线性代数(Linear Algebra)
3、统计分布(Statistical Distributions)
4、概率论(Probability theory)。包括:矩量母函数(Moment Generating Function,简称MGF),CGF,均值(Mean),中位数(Median),众数(Mode),最大似然估计方差(Variance Maximum likelihood Expectation),中心极限定理(Central Limit Theorems),方差分析(Analysis of Variance,简称ANOVA)
5、微积分(Calculus)
6、拟合分析(Fitting of a distribution)
7、样本(Sampling)
8、统计学***设检验(Testing of a hypothesis)
9、贝叶斯建模(Bayesian Modeling)
下面列举一下人工智能研究所需要的最基本的一些数学知识(我们***定读者至少已经具有了中学的数学基础):
(1)基本的数值计算常识(牛顿法,二分法,线性回归和最小二乘,误差控制)。
(2)基本的微积分,高维函数的微积分(尤其是微分的部分)。
(3)基本的线性代数:向量和矩阵运算,矩阵求逆,相似矩阵,矩阵的特征值和特征向量,行列式等。
(4)期望,方差,协方差等基本概念。常见的概率分布,条件概率的链式法则,贝叶斯公式,极大似然估计。
有了上面这些基本的知识,至少就已经可以开始看一些教科书开始试试看了。当然,在学习的过程中,你讲会发现以下知识也应该是需要掌握的:
(a)高维函数的微积分与线性代数的综合知识,Hessian 矩阵,Jacobian 矩阵,二次型等等。
(b)奇异值分解,矩阵的范数,一些特殊矩阵的性质等等。
(c)一些简单的与优化有关的知识。
(d)熟悉指数族概率分布函数,对概率分布函数的更多刻画:矩,熵,互信息,KL divergence 等等。
到此,以上就是小编对于数学博士编程教程的问题就介绍到这了,希望介绍关于数学博士编程教程的1点解答对大家有用。