机器学习各种技能的必要性
为了让您简要了解您需要获得哪些技能，让我们讨论一些示例 -
数学符号
大多数机器学习算法都在很大程度上基于数学。你需要知道的数学水平可能只是初级水平。重要的是你应该能够阅读数学家在他们的方程中使用的符号。例如 - 如果您能够阅读符号并理解其含义，那么您就可以开始学习机器学习了。如果没有，你可能需要复习你的数学知识。
$$f_{AN}(net-\theta)=\begin{cases}\gamma & if\:net-\theta \geq \epsilon\\net-\theta & if - \epsilon< net-\theta <\ epsilon\\ -\gamma & if\:net-\theta\leq- \epsilon\end{cases}$$
$$\displaystyle\\\max\limits_{\alpha}\begin{bmatrix}\displaystyle\sum\limits_{i=1}^m \alpha-\frac{1}{2}\displaystyle\sum\limits_{ i,j=1}^m label^\left(\begin{array}{c}i\\ \end{array}\right)\cdot\:label^\left(\begin{array}{c}j \\ \end{array}\right)\cdot\:a_{i}\cdot\:a_{j}\langle x^\left(\begin{array}{c}i\\ \end{array}\right),x^\left(\begin{array}{c}j\\
\end{array}\right)\rangle \end{bmatrix}$$
$$f_{AN}(net-\theta)=\left(\frac{e^{\lambda(net-\theta)}-e^{-\lambda(net-\theta)}}{e^{ \lambda(net-\theta)}+e^{-\lambda(net-\theta)}}\right)\;$$
概率论
这是一个测试您当前对概率论知识的示例：使用条件概率进行分类。
$$p(c_{i}|x,y)\;=\frac{p(x,y|c_{i})\;p(c_{i})\;}{p(x,y)\ ;}$$
通过这些定义，我们可以定义贝叶斯分类规则 -
- 如果 P(c1|x, y) > P(c2|x, y) ，则类别为 c1 。
- 如果 P(c1|x, y) < P(c2|x, y) ，则类别为 c2 。
优化问题
这是一个优化函数
$$\displaystyle\\\max\limits_{\alpha}\begin{bmatrix}\displaystyle\sum\limits_{i=1}^m \alpha-\frac{1}{2}\displaystyle\sum\limits_{ i,j=1}^m label^\left(\begin{array}{c}i\\ \end{array}\right)\cdot\:label^\left(\begin{array}{c}j \\ \end{array}\right)\cdot\:a_{i}\cdot\:a_{j}\langle x^\left(\begin{array}{c}i\\ \end{array}\right),x^\left(\begin{array}{c}j\\
\end{array}\right)\rangle \end{bmatrix}$$
受以下限制 -
$$\alpha\geq0,and\:\displaystyle\sum\limits_{i-1}^m \alpha_{i}\cdot\:label^\left(\begin{array}{c}i\\ \end {array}\right)=0$$
如果您能阅读并理解以上内容，则一切就绪。
可视化
在许多情况下，您需要了解各种类型的可视化图以了解您的数据分布并解释算法输出的结果。
除了机器学习的上述理论方面，您还需要良好的编程技能来编写这些算法。
那么实现 ML 需要什么？让我们在下一章中探讨这一点。
