机器学习的范围非常广，需要跨多个领域的技能。下面列出了成为机器学习专家所需的技能-

• 统计
• 概率论
• 结石
• 优化技术
• 可视化

各种机器学习技能的必要性

为了让您简要了解您需要掌握哪些技能，让我们讨论一些示例-

数学符号

大多数机器学习算法都很大程度上基于数学。您需要了解的数学水平可能仅仅是初学者。重要的是您应该能够阅读数学家在方程式中使用的表示法。例如，如果您能够阅读该符号并理解其含义，那么您就可以学习机器学习了。如果没有，您可能需要复习数学知识。

$$ f_ {AN}(net- \ theta)= \ begin {cases} \ gamma＆if \：net- \ theta \ geq \ epsilon \\ net- \ theta＆if-\ epsilon

$$ \ displaystyle \\\ max \ limits _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limits_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limits_ { i，j = 1} ^ m label ^ \ left(\ begin {array} {c} i \\ \ end {array} \ right)\ cdot \：label ^ \ left(\ begin {array} {c} j \\ \ end {array} \ right)\ cdot \：a_ {i} \ cdot \：a_ {j} \ langle x ^ \ left(\ begin {array} {c} i \\ \ end {array} \ right)，x ^ \ left(\ begin {array} {c} j \\ \ end {array} \ right)\ rangle \ end {bmatrix} $$

$$ f_ {AN}(net- \ theta)= \ left(\ frac {e ^ {\ lambda(net- \ theta)}-e ^ {-\ lambda(net- \ theta)}} {e ^ { \ lambda(net- \ theta)} + e ^ {-\ lambda(net- \ theta)}} \ right)\; $$

概率论

这是一个示例，用于测试您当前对概率论的了解：使用条件概率进行分类。

$$ p(c_ {i} | x，y)\; = \ frac {p(x，y | c_ {i})\; p(c_ {i})\;} {p(x，y)\ ;} $$

有了这些定义，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)

优化问题

这是一个优化函数

$$ \ displaystyle \\\ max \ limits _ {\ alpha} \ begin {bmatrix} \ displaystyle \ sum \ limits_ {i = 1} ^ m \ alpha- \ frac {1} {2} \ displaystyle \ sum \ limits_ { i，j = 1} ^ m label ^ \ left(\ begin {array} {c} i \\ \ end {array} \ right)\ cdot \：label ^ \ left(\ begin {array} {c} j \\ \ end {array} \ right)\ cdot \：a_ {i} \ cdot \：a_ {j} \ langle x ^ \ left(\ begin {array} {c} i \\ \ end {array} \ right)，x ^ \ left(\ begin {array} {c} j \\ \ end {array} \ right)\ rangle \ end {bmatrix} $$

受到以下约束-

$$ \ alpha \ geq0和\：\ displaystyle \ sum \ limits_ {i-1} ^ m \ alpha_ {i} \ cdot \：label ^ \ left(\ begin {array} {c} i \\ \ end {array} \ right)= 0 $$

如果您能阅读和理解以上内容，那么您已经准备就绪。

可视化

在许多情况下，您将需要了解各种类型的可视化图，以了解数据分布并解释算法输出的结果。

除了上述机器学习的理论方面之外，您还需要良好的编程技能才能对这些算法进行编码。

那么实现ML需要做什么呢?让我们在下一章对此进行研究。