📌  相关文章
📜  神经网络的数学构建基块

📅  最后修改于: 2020-12-10 05:20:46             🧑  作者: Mango

数学对于任何机器学习算法都是至关重要的，它包括数学的各种核心概念，以得到以特定方式设计的正确算法。

下面提到数学主题对机器学习和数据科学的重要性-

机器学习

现在，让我们专注于机器学习的主要数学概念，这从自然语言处理的角度来看很重要-

向量

向量被认为是连续或离散的数字数组，由向量组成的空间称为向量空间。向量的空间尺寸可以是有限的，也可以是无限的，但是已经观察到机器学习和数据科学问题涉及固定长度的向量。

向量表示如下所示显示-

temp = torch.FloatTensor([23,24,24.5,26,27.2,23.0])
temp.size()
Output - torch.Size([6])

在机器学习中，我们处理多维数据。因此，向量变得非常关键，并被视为任何预测问题陈述的输入特征。

标量

标量被称为零维，仅包含一个值。当涉及到PyTorch时，它不包括尺寸为零的特殊张量。因此声明将如下-

x = torch.rand(10)
x.size()
Output - torch.Size([10])

矩阵

大多数结构化数据通常以表格或特定矩阵的形式表示。我们将使用一个名为Boston House Price的数据集，该数据集可在Python scikit-learn机器学习库中找到。

boston_tensor = torch.from_numpy(boston.data)
boston_tensor.size()
Output: torch.Size([506, 13])
boston_tensor[:2]
Output:
Columns 0 to 7
0.0063 18.0000 2.3100 0.0000 0.5380 6.5750 65.2000 4.0900
0.0273 0.0000 7.0700 0.0000 0.4690 6.4210 78.9000 4.9671
Columns 8 to 12
1.0000 296.0000 15.3000 396.9000 4.9800
2.0000 242.0000 17.8000 396.9000 9.1400