在數(shù)據(jù)科學(xué)領(lǐng)域中，你需要多少數(shù)學(xué)知識？

譯者：AI研習(xí)社（話左）

雙語原文鏈接：How Much Math do you need in Data Science?

---

Benjamin O. Tayo.提供圖片

I. 引言

如果你有心學(xué)習(xí)數(shù)據(jù)科學(xué)，那么你一定會在腦海中想過下面的問題：

沒有或者只有很少的數(shù)學(xué)知識，我能做一個數(shù)據(jù)科學(xué)家嗎？

數(shù)據(jù)科學(xué)必需的數(shù)學(xué)工具有哪些？

有很多優(yōu)秀的包可用于建立預(yù)測模型或者數(shù)據(jù)可視化。其中最常用的用于描述和預(yù)測分析的一些包有：

• Ggplot2

• Matplotlib

• Seaborn

• Scikit-learn

• Caret

• TensorFlow

• PyTorch

• Keras

多虧了這些包，任何人都可以建立起一個模型或者實現(xiàn)數(shù)據(jù)可視化。然而, 堅實的數(shù)學(xué)基礎(chǔ)對于修改你的模型讓你的模型性能更好更加可靠來說是十分必要的。建立模型是一回事，解釋模型得出可用于數(shù)據(jù)驅(qū)動的決策的有意義的結(jié)論又是另一回事。用這些包之前，理解每個包中的數(shù)學(xué)原理是很重要的。因為這樣你才不是簡單地只是把這些包作為一個黑盒來使用。

II. 案例學(xué)習(xí)：建立多重回歸模型

假設(shè)我們要建立一個多重回歸模型。在此之前，我們需要問一下自己下面的這些問題：

我的數(shù)據(jù)集有多大？

我的特征變量和目標(biāo)變量是什么？

什么預(yù)測特征與目標(biāo)變量關(guān)聯(lián)性最大？

什么特征是重要的？

我需要量化特征值嗎？

我的數(shù)據(jù)集應(yīng)該如何分成訓(xùn)練集和測試集？

什么是主成分分析（PCA）

我應(yīng)該用PCA移除多余特征嗎？

我要如何評估我的模型？用R2，MSE還是MAE？

我應(yīng)該如何提升模型預(yù)測的能力？

我應(yīng)該使用正則化的回歸模型嗎？

什么是回歸系數(shù)？

什么是截距？

我應(yīng)該使用諸如K近鄰回歸或者支持向量回歸這種非參數(shù)回歸模型嗎？

我的模型中有哪些超參數(shù)，如何對其進行微調(diào)以獲得性能最佳的模型？

沒有良好的數(shù)學(xué)背景，你就無法解決上面提到的問題。 最重要的是，在數(shù)據(jù)科學(xué)和機器學(xué)習(xí)中，數(shù)學(xué)技能與編程技能同等重要。 因此，作為有志于數(shù)據(jù)科學(xué)的人，你必須花時間研究數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的理論和數(shù)學(xué)基礎(chǔ)。 你構(gòu)建可應(yīng)用于實際問題的可靠而有效的模型的能力取決于您的數(shù)學(xué)基礎(chǔ)。

現(xiàn)在我們來聊聊數(shù)據(jù)科學(xué)還有機器學(xué)習(xí)所必需的一些數(shù)學(xué)工具。

III. 數(shù)據(jù)科學(xué)與機器學(xué)習(xí)必需的數(shù)學(xué)工具

1. 統(tǒng)計與概率

統(tǒng)計與概率學(xué)可用于特征的可視化，數(shù)據(jù)預(yù)處理，特征轉(zhuǎn)換，數(shù)據(jù)插入，降維，特征工程，模型評估等。

這里是你需要熟悉的概念：均值，中位數(shù)，眾數(shù)，標(biāo)準(zhǔn)差/方差， 相關(guān)系數(shù)和協(xié)方差矩陣，概率分布（二項，泊松，正太）, p-值, 貝葉斯理論（精確性，召回率，陽性預(yù)測值，陰性預(yù)測值，混淆矩陣，ROC曲線）， 中心極限定理, R_2值, 均方誤差（MSE），A/B測試，蒙特卡洛模擬。

2. 多元微積分

大多數(shù)機器學(xué)習(xí)模型都是由帶有許多特征或者預(yù)測因子的數(shù)據(jù)集建立的。因此，熟悉多元微積分對于建立機器學(xué)習(xí)模型及其重要。

這里是你需要熟悉的概念：多元函數(shù)；導(dǎo)數(shù)和梯度； 階躍函數(shù)，Sigmoid函數(shù), Logit函數(shù), ReLU（整流線性單元）函數(shù)；損失函數(shù)；函數(shù)作圖；函數(shù)最大最小值。

3. 線性代數(shù)

線性代數(shù)是機器學(xué)習(xí)中最重要的數(shù)學(xué)工具。 數(shù)據(jù)集通常都表示為矩陣。 線性代數(shù)常用于數(shù)據(jù)預(yù)處理，數(shù)據(jù)轉(zhuǎn)換，降維和模型評估。

這里是你需要熟悉的概念：向量；向量的范數(shù)；矩陣；矩陣轉(zhuǎn)置；矩陣的逆；矩陣的行列式；矩陣的跡；點積；特征值；特征向量

4. 優(yōu)化方法

大多數(shù)機器學(xué)習(xí)算法通過最小化目標(biāo)函數(shù)來建立預(yù)測模型，由此學(xué)習(xí)應(yīng)用于測試數(shù)據(jù)的權(quán)重以獲得預(yù)測的標(biāo)簽。

這里是你需要熟悉的概念：損失函數(shù)/目標(biāo)函數(shù)；似然函數(shù)；誤差函數(shù)；梯度下降算法及其衍生（如隨機梯度下降）

IV. 總結(jié)與結(jié)論

總之，我們已經(jīng)討論了數(shù)據(jù)科學(xué)和機器學(xué)習(xí)所需的基本數(shù)學(xué)和理論技能。 有幾門免費的在線課程可以教你數(shù)據(jù)科學(xué)和機器學(xué)習(xí)所必需的數(shù)學(xué)知識。 作為有志于數(shù)據(jù)科學(xué)的人，請記住，數(shù)據(jù)科學(xué)的理論基礎(chǔ)對于構(gòu)建高效且可靠的模型至關(guān)重要。 因此，您應(yīng)該投入足夠的時間來研究每種機器學(xué)習(xí)算法背后的數(shù)學(xué)理論。

V. 參考文獻(xiàn)

初學(xué)者的線性回歸基礎(chǔ)

使用R實現(xiàn)主成分分析的數(shù)學(xué)原理

機器學(xué)習(xí)教程

---

AI研習(xí)社是AI學(xué)術(shù)青年和AI開發(fā)者技術(shù)交流的在線社區(qū)。我們與高校、學(xué)術(shù)機構(gòu)和產(chǎn)業(yè)界合作，通過提供學(xué)習(xí)、實戰(zhàn)和求職服務(wù)，為AI學(xué)術(shù)青年和開發(fā)者的交流互助和職業(yè)發(fā)展打造一站式平臺，致力成為中國最大的科技創(chuàng)新人才聚集地。

如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學(xué)習(xí)新知，分享成長。