मैं मशीन लर्निंग (सिद्धांत और वित्त में आवेदन) में गहराई से जाना चाहता हूं। मैं पूछना चाहता हूं कि मशीन लर्निंग के आधार के रूप में जटिल विश्लेषण और कार्यात्मक विश्लेषण कितने प्रासंगिक हैं ? क्या मुझे इन विषयों को सीखने की आवश्यकता है या क्या मुझे खुद को अन्य विषय पर केंद्रित करना चाहिए (यदि ऐसा है, तो किस पर?)
जवाबों:
मैं कहूंगा कि मशीन लर्निंग के लिए सबसे महत्वपूर्ण पूर्व- रेखीय बीजगणित , अनुकूलन (संख्यात्मक और सैद्धांतिक दोनों) और संभाव्यताएं हैं ।
यदि आप सामान्य मशीन लर्निंग एल्गोरिदम (मैं LASSO, इलास्टिक नेट, SVMs को ध्यान में रखते हैं) के कार्यान्वयन के विवरण पर पढ़ते हैं, तो समीकरण विभिन्न पहचान (एक अनुकूलन समस्या का दोहरा रूप, रैखिक बीजगणित पर आधारित विभिन्न सूत्र) पर बहुत निर्भर करता है और कार्यान्वयन के लिए आपको ढाल वंश जैसी तकनीकों से परिचित होना आवश्यक है।
संभावनाएं पीएसी लर्निंग फ्रेमवर्क और हर बार जब आप परीक्षण का अध्ययन करते हैं, तो दोनों ही होने चाहिए।
फिर, केवल तब, कार्यात्मक विश्लेषण काम में आ सकता है। खासकर जब आप गुठली का अध्ययन कर रहे हैं (और प्रतिनिधित्व प्रमेयों का उपयोग करें)।
जटिल विश्लेषण के बारे में, मुझे मशीन लर्निंग में इस क्षेत्र से उपजी महत्वपूर्ण प्रमेयों के उपयोग के बारे में पता नहीं है (किसी ने मुझे गलत होने पर सही किया है)।