یک پای یادگیری ماشین بدون ریاضیات می‌لنگد!

• احتمال (Probability)
  به کمک علم احتمال می‌توانیم امکان اتفاق افتادن وقایع را در یادگیری ماشین پیش‌بینی کنیم.
  سرفصل‌ها: قواعد ابتدایی و کلی، متغیرهای تصادفی- پیوسته و گسسته، امید ریاضی، واریانس، توزیع- توام و شرطی، توزیع‌های معروف: دوجمله‌ای، برنولی، پواسون، نمایی و گوسی

• آمار(Statistics)
  از آمار برای گرفتن نتایج منطقی از مجموعه‌داده‌ی داده شده استفاده می‌شود.
  سرفصل‌ها: توزیع، گرایش مرکزی، کج بودن، ضریب همبستگی خطی، قضیه حد مرکزی، آزمایش فرضیه

• سایر
  سرفصل‌ها: تئوری اطلاعات، زنجیره‌ی مارکف

چگونه یاد بگیریم؟

حال با این که می‌دانیم چه مباحثی را باید بلد باشیم، هنوز هم مباحث برای یادگیری گسترده هستند. یادمان باشد که می‌خواهیم ریاضیات را برای یادگیری ماشین یاد بگیریم؛ نه فقط هر مبحثی در ریاضی را. به همین دلیل نیاز داریم که ارتباط مباحث را با الگوریتم‌های یادگیری ماشین بدانیم. 

برای مثال، ممکن است با استفاده از کتابخانه‌های موجود برای یک زبان برنامه‌نویسی (مثل sklearn در پایتون) از مدل رگرسیون خطی استفاده کرده باشید و بلد باشید چگونه از آن استفاده کنید ولی ندانید که این الگوریتم دقیقا چطور کار می‌کند. در اینجا با جستجو با اصطلاحات جدیدی روبه‌رو می‌شوید که شما را به سمت مفاهیم توابع خطی و رگرسیون خطی هدایت می‌کند و می‌توانید ریاضیات آن را بهتر متوجه شوید. 

باید توجه داشت که مباحث یادگیری ماشین و علوم داده درهم‌ تنیده هستند ولی مفاهیم و تصویر کلی آن‌ها از ریاضی متفاوت است به همین دلیل لازم است هنگام یادگیری ریاضیات تمرکز روی یادگیری ماشین باشد. در علوم داده، داده‌ی موجود آنالیز و فرضیه‌ها آزمایش می‌شوند به همین دلیل بیشتر تمرکز روی مباحث احتمالی است. در حالی‌که ریاضی در یادگیری ماشین متفاوت است و تمرکز روی جبر خطی به عنوان پردازش ابتدایی بیشتر مدل‌هاست و از حساب دیفرانسیل برای بهینه‌سازی استفاده می‌شود که پشتوانه‌ی بیشتر الگوریتم‌های یادگیری ماشینی است که استفاده می‌کنیم. البته منظور این نیست که یادگیری مباحث علوم داده بی‌فایده است. برعکس، این مباحث حتی می‌توانند به عنوان پیش‌نیاز یادگیری ماشین باشند.