기계 학습에 대한 통계, 논문 시작?

나는 컴퓨터 프로그래밍과 초등 수 이론에 대한 배경 지식을 가지고 있지만 실제 통계 교육은 없으며 최근에는 모든 기술의 놀라운 세계가 실제로 통계 세계라는 것을 "발견"했습니다. 행렬 인수 분해, 행렬 완성, 고차원 텐서, 임베딩, 밀도 추정, 베이지안 추론, Markov 파티션, 고유 벡터 계산, PageRank는 모두 매우 통계적인 기술이며, 이러한 것을 사용하는 기계 학습 알고리즘은 많은 통계를 사용하는 것으로 보입니다. .

저의 목표는 사용 된 표기법, "증명"및 통계적 논증을 이해하면서 그러한 것들을 논의하고 알고리즘을 구현 또는 생성하는 논문을 읽을 수 있도록하는 것입니다. 가장 어려운 것은 행렬과 관련된 모든 증거를 따르는 것입니다.

어떤 기본 논문을 시작할 수 있습니까? 아니면 연습 할 가치가있는 좋은 교과서가 있습니까?

특히, 완전히 이해하고 싶은 논문은 다음과 같습니다.

machine-learning estimation

— 크리스 스트링 펠로우
소스

예를 들어 적용된 선형 대수 과정을 통해 행렬에 대해 이미 알고 있습니까, 아니면 배우고 자하는 부분입니까? 나는 당신이 제공 한 목록의 상반부가 통계 기술보다는 통계에서 중요한 주제라고 말하고 싶습니다. 통계 머신 러닝 학습을위한 권장 도서에 대한 몇 가지 질문이 있습니다. 이해하고자하는 특정 논문의 한두 가지 예를 제시해 보시기 바랍니다 . 받는 답변에 더 집중할 수 있습니다.

— 추기경

그래도 행렬, 선형 대수 및 벡터 공간, 기본, 규범의 개념에 익숙하지만 Gram-Schmidt 직교 화 및 최적화되지 않은 QR 알고리즘에 대해 명확하지만 LU 인수 분해와 같은 것을 완전히 이해하지 못합니다. 그들이 왜 일 하는지 명확하지 않습니다 . 또한 사람들 이 고유 벡터 알고리즘을 수행하지 않고 무작위 행렬에 대한 고유 벡터를 파생 시키는 방법을 이해하지 못합니다 .

— Cris Stringfellow

나는 Coursera의 Andrew Ngs Machine Learning 과정을 추천합니다. 모든 기본 사항을 훌륭하게 다루고 있습니다. 확률 론적 그래픽 모델과 관련이 있다면 Daphne Kollers 코스를 살펴 보는 것도 좋습니다.

이것은 자율 학습 자원에 대한 귀중한보고입니다. http://ragle.sanukcode.net/articles/machine-learning-self-study-resources/ Herb Grossman의 강의는 훌륭합니다.

나는 항상 여전히 나 자신을 배우고 있으며 통계는 내 배경이 아니기 때문에이 책 https://www.openintro.org/stat/textbook.php 를 추천했습니다 !

내 두 센트는 사물과 논문의 수학 측면에 관한 것이지만 배경 수학에는 너무 익숙하지 않습니다. 기본 사항을 배우고 언급 한 논문이 작성되어 더 쉽게 참조 할 수있는 논문을 참조하십시오 (아마 이해할 수있는 것을 얻으려면 몇 가지 논문을 다시 가져 가야합니다-내가하는 일입니다) ML에서 수학의 다른 요소와 토끼 구멍에 빠지기 쉽습니다 (다시 한 번 이상 나에게 한 일이 있습니다!).

행운을 빕니다, 그것은 정말 흥미로운 분야입니다!

— 짐
소스