
對於問題的構思
|
9
對於問題的構思
如果想更了解如何套用機器學習的概念,一開始就必須先懂得如何提出正確的問題。以
下就是我們必須定義的一些東西:
• 我們(模型)想提取資訊的輸入資料究竟是什麼?
• 這些資料最適合的是什麼模型?
• 我們想從模型的新資料中得出什麼樣的答案?
如果我們能夠好好回答這三個問題,就可以建立一個機器學習工作流程,打造出我們的
模型,並生成我們所想要的答案。為了給這個工作流程提供更好的支援,我們會先回顧
一下機器學習實務上特別需要注意的一些核心概念。隨後我們就會回頭把機器學習的這
些概念結合起來,然後運用這些認知,對神經網路和深度學習建立更深入的理解。
機器學習背後的數學基礎:線性代數
線性代數是機器學習和深度學習的重要基礎。線性代數提供了數學基礎,讓我們用來打
造模型的方程式能夠得以求解。
James E.Gentle 的《
矩陣代數
:
理論
、
計算與統計應用
(
Matrix Algebra:
Theory, Computations, and Applications in Statistics
,
http://mason.gmu.edu/~jgentle/
books/matbk/index.htm
)》 是一本很好的線性代數著作。
我們先來看看這個領域的一些核心概念,首先要介紹的是叫做「
純量
」的基本概念。
純量
在數學這個領域中,只要提到純量(scalar)這個術語,就表示我們關心的是向量中的
元素值(element)。純量是一個實數值,它可用來定義向量空間(vector space ...