機器學習需要哪些數(shù)學基礎(chǔ)？主要是線性代數(shù)和概率論?，F(xiàn)在最流行的機器學習模型，神經(jīng)網(wǎng)絡(luò)基本上有很多向量、矩陣、張量。從激活函數(shù)到損失函數(shù)，從反向傳播到梯度下降，都是對這些向量、矩陣和張量的運算和操作。其

機器學習需要哪些數(shù)學基礎(chǔ)？

主要是線性代數(shù)和概率論。

現(xiàn)在最流行的機器學習模型，神經(jīng)網(wǎng)絡(luò)基本上有很多向量、矩陣、張量。從激活函數(shù)到損失函數(shù)，從反向傳播到梯度下降，都是對這些向量、矩陣和張量的運算和操作。

其他“傳統(tǒng)”機器學習算法也使用大量線性代數(shù)。例如，線性回歸與線性代數(shù)密切相關(guān)。

從線性代數(shù)的觀點來看，主成分分析是對協(xié)方差矩陣進行對角化。

尤其是當你讀論文或想更深入的時候，概率論的知識是非常有用的。

它包括邊緣概率、鏈式規(guī)則、期望、貝葉斯推理、最大似然、最大后驗概率、自信息、香農(nóng)熵、KL散度等。

神經(jīng)網(wǎng)絡(luò)非常講究“可微性”，因為可微模型可以用梯度下降法優(yōu)化。梯度下降和導數(shù)是分不開的。所以多元微積分也需要。另外，由于機器學習是以統(tǒng)計方法為基礎(chǔ)的，因此統(tǒng)計知識是必不可少的。但是，大多數(shù)理工科專業(yè)學生都應該學過這兩部分內(nèi)容，所以這可能不屬于需要補充的內(nèi)容。

層次分析法采用特征根的方法計算出特征向量后，經(jīng)歸一化后就是權(quán)重向量。什么叫歸一化?歸一化需要如何處？

歸一化相對簡單，因為特征向量的和不一定是1，所以我們需要將特征向量除以這些向量的和，新的數(shù)字就是權(quán)重向量。例如：得到的特征向量是（0.6853 0.2213 0.0933），它們的和是0.9999，而不是1，所以需要對它們進行規(guī)格化。分別為6853/0.9999、0.2213/0.9999、0.0933/0.9999。然后四舍五入，最后的數(shù)字是（0.68540.22130.0933），這些值的和是1，所以稱為歸一化。