머신 러닝을 위해 수학을 얼마나 알아야 하나요?

머신 러닝(Machine Learning)이나 딥러닝(Deep Learning)을 위해서는 수학 지식이 필요하다는 걸 누구나 잘 알고 있습니다. 그렇다면 수학을 얼마나 잘 알아야 할까요? 해당 질문에 대한 답변이 될 만한 기사 공유합니다. 기사 제목은 "기계 학습을 위해 얼마나 많은 수학을 알아야 하나요?" 입니다. 🥇 선형 대수학(Linear Algebra) 선형 대수학은 많은 머신 러닝 알고리즘의 기본인 벡터와 행렬을 이해하고 조작하는 데 중요합니다. 집중해야 할 선형 대수학의 특정 주제는 다음과 같습니다. - 벡터, 내적(dot product), norms of vectors - 행렬 및 해당 속성: 행렬식(determinant), 순위(rank), norm, trace, 전치(transpose) - 행렬 곱셈(multiplication) 및 인버전(inversion) - 선형 방정식의 solving 시스템 - eigenvectors 및 eigenvalues - projections 및 직교성(orthonormality) - 대칭 행렬(Symmetric matrices), positive semi-definite matrices - 행렬 분해(LU decomposition, SVD) 🥈 미적분(Calculus) 미적분학은 함수 최대화 또는 최소화와 같은 최적화 작업을 위한 머신 러닝에 사용됩니다. 알아야 할 중요한 미적분학의 특정 주제는 다음과 같습니다. - 대수(Logarithmic) 및 지수 함수(exponential functions) - Derivatives과 부분도함수(partial derivatives), the chain rule of derivatives - 적분(기본) - Multivariate calculu: 벡터와 행렬의 함수 및 기울기 - 야코비(Jacobian)와 헤시안(Hessian) - 직선과 초평면(hyperplanes)의 방정식 - 라그랑주 승수(Lagrange multipliers)로 최적화 문제 해결 🥉 확률(Probability) 확률 이론은 많은 알고리즘의 파생(derivation) 뿐만 아니라 모델 평가 및 통계적 추론(inference)에서도 머신 러닝에서 중심적인 역할을 합니다. - 확률 규칙 및 공리(axioms) - 랜덤 변수(이산형 및 연속형 모두) - Expectation와 분산(variance) - 표준 분포(Bernoulli, Binomial, Multinomial, Uniform 및 Gaussian) - 조건부 확률 - 베이즈 정리 - 전체 확률의 법칙 - Joint 및 marginal 확률 분포 - 공분산 및 상관관계 - 중심 극한 정리 해당 기사의 원본은 아래와 같습니다. 감사합니다😄 [Source Link] https://medium.com/@roiyeho/how-much-math-you-need-to-know-for-machine-learning-3c69854e2e3d