Elementi fondamentali matematici delle reti neurali

La matematica è vitale in qualsiasi algoritmo di apprendimento automatico e include vari concetti fondamentali della matematica per ottenere il giusto algoritmo progettato in un modo specifico.

L'importanza degli argomenti di matematica per l'apprendimento automatico e la scienza dei dati è menzionata di seguito:

Ora, concentriamoci sui principali concetti matematici dell'apprendimento automatico che è importante dal punto di vista dell'elaborazione del linguaggio naturale:

Vettori

Il vettore è considerato una matrice di numeri che è continua o discreta e lo spazio che consiste di vettori è chiamato spazio vettoriale. Le dimensioni spaziali dei vettori possono essere finite o infinite, ma è stato osservato che i problemi di apprendimento automatico e scienza dei dati si occupano di vettori di lunghezza fissa.

La rappresentazione vettoriale viene visualizzata come indicato di seguito:

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

Nell'apprendimento automatico, ci occupiamo di dati multidimensionali. Quindi i vettori diventano molto cruciali e sono considerati come caratteristiche di input per qualsiasi affermazione del problema di previsione.

Scalari

Gli scalari sono definiti per avere zero dimensioni contenenti un solo valore. Quando si tratta di PyTorch, non include un tensore speciale con dimensioni zero; quindi la dichiarazione sarà resa come segue -

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

Matrici

La maggior parte dei dati strutturati è solitamente rappresentata sotto forma di tabelle o una matrice specifica. Useremo un set di dati chiamato Boston House prices, che è prontamente disponibile nella libreria di apprendimento automatico di Python scikit-learn.

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