आर्टिफिशियल इंटेलिजेंस ने पिछले दशक में हमारे दैनिक जीवन में एआई के विकास और एकीकरण के आधार पर बहुत कुछ हासिल किया है। AI ने पहले ही जो प्रगति की है, वह सेल्फ-ड्राइविंग कारों, मेडिकल डायग्नोसिस और यहां तक कि इंसानों को गो और शतरंज जैसे रणनीति के खेल में चकित करने वाली है।
एआई के लिए भविष्य बेहद आशाजनक है और यह तब तक दूर नहीं है जब हमारे अपने रोबोट साथी हों। इसने बहुत सारे डेवलपर्स को कोड लिखना शुरू कर दिया है और एआई और एमएल कार्यक्रमों के लिए विकसित करना शुरू कर दिया है। हालाँकि, AI और ML के लिए एल्गोरिदम लिखना सीखना आसान नहीं है और इसके लिए व्यापक प्रोग्रामिंग और गणितीय ज्ञान की आवश्यकता होती है।
गणित एक महत्वपूर्ण भूमिका निभाता है क्योंकि यह इन दो धाराओं के लिए प्रोग्रामिंग की नींव बनाता है।
मशीन सीखने के लिए गणित क्यों महत्वपूर्ण है, इसके कई कारण हैं। उनमें से कुछ नीचे हैं:
सही एल्गोरिथ्म का चयन करना जिसमें सटीकता, प्रशिक्षण समय, मॉडल जटिलता, मापदंडों की संख्या और सुविधाओं की संख्या के विचार शामिल हैं। पैरामीटर सेटिंग्स और सत्यापन रणनीतियों का चयन। बायस-वेरिएंस ट्रेडऑफ को समझकर अंडरफुटिंग और ओवरफिटिंग की पहचान करना। सही आत्मविश्वास अंतराल और अनिश्चितता का अनुमान लगाना।
मशीन सीखने के लिए किस प्रकार के गणित की आवश्यकता होती है?
मशीन लर्निंग या आर्टिफिशियल इंटेलिजेंस के अध्ययन के लिए गणित बिल्कुल आवश्यक है। एमएल में अवधारणाओं और एल्गोरिदम की किसी भी गहरी समझ के लिए कुछ बुनियादी गणित ज्ञान की आवश्यकता होती है।
तीन मुख्य गणितीय सिद्धांत: रैखिक बीजगणित, बहुभिन्नरूपी पथरी और संभाव्यता सिद्धांत।
रेखीय बीजगणित -
रैखिक बीजगणित संकेतन का उपयोग मशीन लर्निंग में विभिन्न मशीन लर्निंग एल्गोरिदम के मापदंडों और संरचना का वर्णन करने के लिए किया जाता है। यह रैखिक बीजगणित को समझने की आवश्यकता बनाता है कि तंत्रिका नेटवर्क को एक साथ कैसे रखा जाता है और वे कैसे काम कर रहे हैं।
इसमें इस तरह के विषय शामिल हैं:
स्केलर, वैक्टर, मेट्रिसेस, टेंसर मैट्रिक्स नॉर्म्स स्पेशल मैट्रिसेस और वैक्टर Eigenvalues और Eigenvectors मल्टीवेरिएट कैलकुलस -
इसका उपयोग मशीन लर्निंग के सीखने के हिस्से को पूरक करने के लिए किया जाता है। इसका उपयोग उदाहरणों से सीखने, विभिन्न मॉडलों के मापदंडों को अपडेट करने और प्रदर्शन में सुधार करने के लिए किया जाता है।
इसमें इस तरह के विषय शामिल हैं:
डेरिवेटिव इंटीग्रल ग्रैडिएंट डिफरेंशियल ऑपरेटर्स उत्तल ऑप्टिमाइज़ेशन संभाव्यता सिद्धांत -
सिद्धांतों का उपयोग अंतर्निहित डेटा के बारे में धारणा बनाने के लिए किया जाता है जब हम इन गहन शिक्षण या एआई एल्गोरिदम को डिजाइन कर रहे हैं। हमारे लिए महत्वपूर्ण संभावना वितरण को समझना महत्वपूर्ण है,
इसमें इस तरह के विषय शामिल हैं:
संभावना के तत्व रैंडम वेरिएबल्स डिस्ट्रीब्यूशन वेरिएंट और एक्सपेक्टेशन स्पेशल रैंडम वेरिएबल्स मशीन लर्निंग के लिए मैथ्स जल्दी कैसे सीखें?
डेटा विज्ञान के लिए गणित सीखने का आत्म-स्टार्टर तरीका "बकवास करना" सीखना है। फिर भी, आप सामने के अंतर्निहित सिद्धांत को सीखना या उसकी समीक्षा करना चाहेंगे। आपको संपूर्ण पाठ्यपुस्तक पढ़ने की आवश्यकता नहीं है, लेकिन आप पहले मुख्य अवधारणाओं को सीखना चाहेंगे।
नरम पूर्वापेक्षाओं के रूप में, मैं रैखिक बीजगणित / मैट्रिक्स कलन के साथ बुनियादी सुविधा प्रदान करता हूं (ताकि आप संकेतन पर अटक न जाएं) और परिचयात्मक संभावना।
यदि आप मशीन सीखने के लिए गणित को गहराई से सीखना चाहते हैं, तो ऑनलाइन उपलब्ध पाठ्यक्रमों की संख्या कम है, जैसे,
खान अकादमी का रेखीय बीजगणित, संभाव्यता और सांख्यिकी, बहुक्रियात्मक कलन और अनुकूलन।
मशीन लर्निंग के लिए गणितीय फाउंडेशन और eduonix पर एआई
Udemy पर मशीन लर्निंग मैथ्स सीखें
मैट्रिक्स को कोड करना: फिलिप क्लेन, ब्राउन विश्वविद्यालय द्वारा कंप्यूटर विज्ञान अनुप्रयोगों के माध्यम से रैखिक बीजगणित।
लैरी वासरमैन की पुस्तक - ऑल स्टैटिस्टिक्स: ए कंसीज़ कोर्स इन स्टैटिस्टिकल इन्वेंशन।
याद रखें कि आप सबसे अच्छा करके सीखते हैं, और दुख की बात है कि इन पाठ्यक्रमों में पर्याप्त असाइनमेंट और होमवर्क शामिल नहीं है
मैं जो सलाह देता हूं वह है, गणितीय फाउंडेशन फॉर मशीन लर्निंग और एआई - यह पाठ्यक्रम पूर्ण गणित पाठ्यक्रम नहीं है; यह स्कूल या कॉलेज की गणित की शिक्षा को बदलने के लिए नहीं बनाया गया है। इसके बजाय, यह उन प्रमुख गणितीय अवधारणाओं पर ध्यान केंद्रित करता है, जिनका आप मशीन लर्निंग के अध्ययन में सामना करेंगे।
आप क्या सीखेंगे:
और भी बहुत कुछ……
इस पाठ्यक्रम के अंत में, आपको न केवल अपने स्वयं के एल्गोरिदम का निर्माण करने के लिए ज्ञान होगा, बल्कि वास्तव में आपके अगले प्रोजेक्ट्स में उपयोग करने के लिए अपने एल्गोरिदम को डालना शुरू करना होगा।
पाठ्यक्रम भी गणितीय अवधारणाओं के अपने ज्ञान को मजबूत करने में मदद करने के लिए परियोजनाओं और क्विज़ के साथ आता है।
यह उन छात्रों के लिए अंतराल को भरने के लिए डिज़ाइन किया गया है जो इन प्रमुख अवधारणाओं को अपनी औपचारिक शिक्षा के हिस्से के रूप में याद करते थे, या जिन्हें गणित का अध्ययन करने से लंबे समय तक ब्रेक के बाद अपनी यादों को ताज़ा करने की आवश्यकता होती है।
मुझे लगता है कि यह कोर्स शुरुआत में सामग्री के माध्यम से 2 से 3 महीने के निवेश से बहुत बेहतर है और फिर जब आप इसका सामना करते हैं, तो आपने जो सीखा उससे आधा भूल जाते हैं।
दिखाए गए मूल अवधारणाओं को समझने की कोशिश करें और हमेशा मज़े करना याद रखें!