Всем привет! Меня зовут Иван Капунин, и нет, я не захватил канал Дениса. Мы решили поделиться опытом, который поможет новичкам погрузиться в область машинного обучения и науки о данных в режиме «от минимума к оптимуму».

Говорят, что можно бесконечно наблюдать за тремя вещами: как горит огонь, как течет вода и как в индустрии спорят о необходимости знаний математики для программиста. Однако в случае Machine Learning (и Data Science в целом) IT-специалисту, который хочет так или иначе погрузиться в эту тему, важен последний аспект. Вопрос лишь в том, насколько глубоким будет погружение.

Математическая база Да, то самое словосочетание, вызывающее бурю всевозможных эмоций (как правило, радостных пугающих). Конечно, никто не мешает нам сразу взять модель из библиотеки sklearn, написать 2 заветных строчки в виде .fit()/predict() и сказать, что мы овладели машинным обучением. Но будет ли у нас в результате понимание, что для решения прикладной задачи используется подходящая модель? Правильно ли мы предобработали данные? Сможем ли ли оценить и правильно интерпретировать результаты нашей модели?

Существует множество статей с рассуждениями о том, какая математика нужна для понимания ML и насколько глубоко вообще стоит в нее погружаться (1 и 2).

В результате изучения подобных материалов и на основе собственного опыта, я подготовил список с минимальными требованиями в математике для погружения в область:

• Линейная алгебра: векторы, их геометрическая интерпретация, матрицы и базовые операции над ними.
• Математический анализ: график функции, производная функции, градиент, функции многих переменных.
• Статистика: математическое ожидание, дисперсия, распределение вероятностей, корреляция.
• Математические обозначения, которые сами по себе не являются разделом математики, но достаточно важны: символы, константы, индексирование, кванторы.

Вот и пригодился первый курс технического ВУЗа - тот период, когда студента мучают матаном и линалом, а он задается вопросом «ну и зачем оно мне надо?»

Конечно, этот список можно так или иначе дополнять. Но, повторюсь, наша задача - выделить необходимый минимум.

В следующих постах этой серии мы более детально разберем материалы для погружения в каждую из тем.

Рекомендую обязательно делать конспекты всех приходящих идей и инсайтов.

@makrushin