ニューラルネットワークに関する本を読む(および理解する)ために必要な前提条件
-
22-07-2019 - |
質問
Neural Networksについてしばらく学習しようとしており、オンラインでいくつかの基本的なチュートリアルを理解できます。また、ニューラルコンピューティング-はじめにがありますが、それでも私は多くの数学をじっと見つめています。最初のいくつかの章。それでも、「math-y」という最も少ない本私は見つけることができます。
数学やその他のことを恐れているわけではなく、必要なことを学んでいないだけで、正確に必要なものがわからない。現在、地元の大学に在籍しており、コンプで修士号を取得するために必要なクラスに追いつくことに取り組んでいます。 Sciプログラム(私のBAはBusiness / Info。Sys。にあります)と私はそれほど遠くに行きませんでした。大学の小さなコースの説明によれば、NNは実際にはパターン認識に関する電気工学コースでカバーされています(このコースはEEであるとは奇妙に思えます)。 。科学プログラム。
私はこのトピックに非常に興味があり、最終的にこのトピックについてさらに学びたいと思っていることを知っています。問題は、最初に知っておくべきことを知りません。ここに私が必要だと思うトピックがありますが、これは無知からの単なる推測です:
- 単一変数計算(Calc IとCalcがありましたので、ここで説明していると思いますが、完全を期すためにリストしています)
- 多変数計算
- 線形代数(まだこれを正式には採用していませんが、Wikipediaや他のサイトでなんとか管理したものから多くの概念を実際に理解できます)
- 離散数学(もう1つは正式には受けていませんが、自分自身で一部を学びました
- グラフ理論
- 確率論
- ベイジアン統計
- 回路設計
- その他の数学?
- その他のcomp sciトピック
明らかに神経科学のコンポーネントもここにありますが、NNに適用されていることについて話すとき、実際には本を理解するのに問題はありませんでした。
要するに、誰かが本当に理解し、本を読んで、最終的にニューラルネットワークを実装する必要がある半明確なパスをレイアウトできますか?
解決
本を理解するために必要な大学のコースのリストが必要な場合は、次のとおりです。
- 微積分(I、II、III)
- 微分方程式
- 線形代数
- 統計(またはベイズの適切なカバー)
ただし、NNクラスではDiffを使用せずに問題なく実行できました。方程式まだ勉強していない概念を調べる必要がありました。
上記のブラックボックスアプローチを使用できますが、ネットワークの数学と実装を本当に理解したい場合は、勉強する必要があります。あなたが何をするにしても、より高度なネットワークを完全に把握することは、急な学習曲線になるでしょう。最初に上記のクラスを受講するか、本を読み始めてウィキペディアで把握していないものをすべて調べてから、それらの記事から読むために読む必要があるものを読んでください。いずれにしても、最終的にその最初のピークを過ぎてしまい、物事はより簡単になります。
ニューラルネットワークを学習する理由を教えていただければ幸いです。私はゲーム開発者や通信開発者ではありませんが、プロとしてのキャリアでそれらを使用することは一度もありません。
他のヒント
「ニューラルネットワーク」を実装することはできません。 -特定の種類のNN(パーセプトロンなど)を実装することになります。 NNにはさまざまな種類があり、それぞれ特定の種類のタスクに適しています。各種類では、特定の種類に特化した数学(数学だけでなく)の概念を使用しています。たとえば、ボルツマンマシンは、統計熱力学(ボルツマンが設立)の概念を使用しています。
質問に関して:明確な目標がなければ、明確な(「半透明」でもない)パスはありません。
2番目のzvrbaのアイデアは、明確な目標を設定するということです。いくつかのガイドの質問: a。 NNを生物学的ネットワークのモデルとして、または計算ツールとして研究したいですか? b。彼らの学習面に興味がありますか?連想メモリ?信号処理? c。複雑な理論を理解したいですか?またはシミュレーションソフトウェアを書くのに十分ですか?
また、小さなことから始めます。 perceptron をお気に入りのプログラミング言語で実装します。数学はそれほど悪くはないので、おそらく次のステップに集中するでしょう。バイナリ分類データセットを使用します。たとえば、 UCIのtic-tac-toe endgame 。
基本的な逆プログレゲーションニューラルネットワークの場合、最も重要なことは次のとおりです。
-
計算
-
線形代数
-
基本的な統計/確率
より具体的なトピックを探している場合(すでにCalcを使用していると言ったので、ここでは省略します)、ここでは、ニューラルネットワークの構築に必ずしも直接適用できるわけではないが、知っておくと役立ついくつかの主題を示します:
-
線形方程式の解法(これは線形代数のコースで学びます)
-
最小二乗回帰
-
最適化理論
特定の問題をニューラルネットワークと共に解決するために使用できる他のいくつかの方法があることを理解する必要があります。
多くの場合、問題を解決する上で最も難しい側面は、使用する最適な方法を決定することです。