机器学习(Machine Learning, ML)是数据科学的核心分支,其实现依赖于数学、编程工具和算法框架。以下是机器学习的核心组成部分及其应用方式:
一、数学基础
-
线性代数
- 用途:矩阵运算(如神经网络权重更新)、特征分解
- 核心概念:向量/矩阵操作、特征值、奇异值分解(SVD)
-
概率与统计
- 用途:贝叶斯定理(朴素贝叶斯)、假设检验(A/B测试)
- 核心概念:概率分布、最大似然估计、p值
-
微积分
- 用途:梯度下降优化(反向传播)
- 核心概念:偏导数、链式法则、损失函数曲面分析
-
优化理论
- 用途:模型参数调优
- 算法:随机梯度下降(SGD)、Adam、牛顿法
微信扫一扫









