আমি মেশিন লার্নিংয়ের (গভীরে তত্ত্ব এবং প্রয়োগের) আরও গভীর হতে চাই। আমি জানতে চাই মেশিন লার্নিংয়ের ভিত্তি হিসাবে জটিল বিশ্লেষণ এবং কার্যকরী বিশ্লেষণ কতটা প্রাসঙ্গিক ? আমার কি এই বিষয়গুলি শেখার দরকার আছে বা অন্য বিষয়গুলিতে নিজেকে কেন্দ্রীভূত করা উচিত (যদি তাই হয় তবে কোনটি?)
উত্তর:
আমি বলব যে মেশিন লার্নিংয়ের সবচেয়ে গুরুত্বপূর্ণ পূর্ব-প্রয়োজনীয়তা হ'ল লিনিয়ার বীজগণিত , অপ্টিমাইজেশন (উভয় সংখ্যাসূচক এবং তাত্ত্বিক) এবং সম্ভাবনা ।
আপনি যদি সাধারণ মেশিন লার্নিং অ্যালগরিদমগুলি (আমার মনে আছে ল্যাসো, ইলাস্টিক নেট, এসভিএম) এর বাস্তবায়নগুলির বিশদটি পড়েন তবে সমীকরণগুলি বিভিন্ন পরিচয়ের উপর নির্ভর করে (একটি অপ্টিমাইজেশান সমস্যার দ্বৈত রূপ, লিনিয়ার বীজগণিত থেকে উদ্ভূত বিভিন্ন সূত্র) এবং বাস্তবায়নের জন্য আপনাকে গ্রেডিয়েন্ট বংশদ্ভুতের মতো কৌশলগুলির সাথে পরিচিত হওয়া প্রয়োজন।
সম্ভাব্যতাগুলি অবশ্যই পিএসি লার্নিং ফ্রেমওয়ার্ক এবং প্রতিটি সময় আপনি পরীক্ষা অধ্যয়ন উভয় ক্ষেত্রেই থাকতে হবে।
তারপরে, কেবল তখনই, কার্যকরী বিশ্লেষণ কার্যকর হতে পারে। বিশেষত যখন আপনি কার্নেলগুলি অধ্যয়ন করছেন (এবং উপস্থাপনের উপপাদাগুলি ব্যবহার করুন)।
জটিল বিশ্লেষণ সম্পর্কে, আমি মেশিন লার্নিংয়ে এই ক্ষেত্র থেকে উদ্ভূত গুরুত্বপূর্ণ উপপাদ্যগুলির প্রধান ব্যবহার সম্পর্কে অবগত নই (কেউ যদি আমার ভুল হয় তবে আমাকে সংশোধন করে)।