首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >数学菜鸟的AI学习攻略 | 数学符号轻松入门

数学菜鸟的AI学习攻略 | 数学符号轻松入门

作者头像
大数据文摘
发布2018-05-25 15:05:30
1.4K0
发布2018-05-25 15:05:30
举报
文章被收录于专栏:大数据文摘大数据文摘

大数据文摘作品,转载要求见文末

原作者 | Daniel Jeffries

编译 | Molly 寒小阳

自学AI的过程中,我们非常需要理解这些数学符号。它可以让你用一种非常简洁的方式来表达一个复杂的想法。

你是否跟我一样,自幼恨透数学。

现在,我终于发现了我对数学绝缘的最主要原因:我的老师从来不去回答最重要的问题:我为什么要学数学?学数学有什么用?

他们只是在黑板上写下一大堆方程,并让我记下来。

现在,如果你对AI这个激动人心的领域感兴趣,那么它将是回答这个问题最好的答案!那就是,我想要写一个更好的图像识别程序,或者一个可以理解自然语言的交互界面!也许甚至想有一天写出自己的算法?

如果你想从阅读 arXiv(https://arxiv.org/list/cs.AI/recent) 上的几篇论文开启自学AI之路?那么首先,你需要知道怎样理解这些有意思的数学小符号。

也许,学习数学符号最重要的原因,就是它可以让你用一种非常简洁的方式来表达一个复杂的想法。

没有它,解释每个方程,都需要花上很多页的篇幅。

而这篇文章要告诉你的是,学习这些符号不像你想象的那么难。

让很多人对数学失去信息的第二个原因是,很多解释写得太可怕了。

事实上,大部分人并不擅长解释东西。人们一般要定义一个数学术语,会使用更多的数学术语。这就造成了不理解的一个无限循环。好比定义“大象”这个词,说,“大象就是大象一类的东西。”

这篇文章会将数学符号和现实世界关联起来,并使用你已知的东西来类比。这样你可以脚踏实地地学习。

但是,这篇文章无法覆盖到你读一篇论文需要的所有数学符号。所以你会需要一本超级凝练的数学符号指南,Edward R. Scheinerman的Mathematical Notation: A Guide for Engineers and Scientists 。(它是我数学菜鸟的AI学习攻略 文章的一个后继补充,但它是我使用最频繁的一本书。它现在满是高亮和折页。随着数学知识的不断扩充,我一遍又一遍地回头翻阅这本书。)

让我们开始吧。

首先,什么是算法?

它真的只是解决一个特定的问题的一系列步骤。无论你是否意识到,你都在使用算法。如果你需要给孩子们打包午饭,送他们上学,取走干洗的衣服,然后去上班,你已经无意识地构造了一系列步骤,从厨房到办公室。这就是一个算法。

如果你的老板同时给你安排了六项工作,你需要找到在一天内完成它们的最好的方式。你需要选择哪些事先做,哪些事后做,哪些事一起做等等。这就是一个算法。

这个概念为什么很重要呢?因为一个方程也不过是解决问题的一系列步骤而已。

我们从一些简单的符号开始,写一些方程。数学就是对事物的翻译。我们有一个输入和一个输出。我们将一些东西代入到我们方程的变量中,遍历所有的步骤,然后得到输出。计算机也是同样的道理。

目前,神经网络背后的大部分黑魔法来自于数学的三个分支:

  • 线性代数
  • 集论
  • 微积分

集合是什么?它就是一堆东西。一般使用花括号{ }或方括号括起来。(搞数学的家伙对所有东西都很难在最佳符号表达上达成一致。)

一个集合

还记得我们在第4部分看到的张量?那就是一个集合。

一个集合通常由大写字母表示,例如A、B、V或W。只要你前后一致,字母本身是什么并不重要。

但是,一些特定的大写字母和符号被保留下来,用来表示重要的、常用的数字集,例如:

∅ = 空集(集合里什么都没有)。这个符号是一个希腊字母,“phi”。数学里常常会用到希腊字母。此处可以查阅大小写希腊字母的写法(https://en.wikipedia.org/wiki/Greek_letters_used_in_mathematics,_science,_and_engineering)。

R =所有实数。(几乎所有存在的数都是实数,包括整数、分数、超越数如Pi (π)(3.14159265…)。但是不包括虚数,一种为了求无解方程的解而构造的数,也不包括无穷)

Z =所有整数。(除了分数之外的数字,比如-1,-2, 0, 1, 2, 3)

大部分保留字母表可以在趣味数学(http://www.mathsisfun.com/sets/number-types.html)里查到。

所有这些都是集合,其中一部分是子集,也就是他们被更大的一个集合完全包含,就像这样:

去查查看Q和N是什么意思吧!

在这个例子中,我们可以说,Z(整数集)是R(实数集)的子集。

我们可以这么写:

A是B的子集(A包含于B):相反的,B是A的超集(B包含A)

我为什么要在乎一个集合B是不是包含了A的全部内容呢?好问题。

假如有一个集合,包括了所有生活在美国的人,有他们的年龄、地址等等信息。现在假设有另一个集合,包括了心脏病发病率更高的人。那么这两个集合重合的地方,可以告诉我们哪个地区的人更可能患有心脏病。

每个集合里都有元素。元素是什么?就是大集合的一部分。我们再看一下我们的张量。

我们将集合中的元素记作小写斜体字母,例如x.我们用一个看起来很奇怪的E一样的符号(其实不是E),来表示一个元素是集合的一部分。我们可以这么写:

这表示x是集合A中的一个元素。

我们也可以说x不是集合A中的一个元素:

你越能理解这些符号,你就越能在头脑中通过这些字符串来沟通。当你看到上面这个,你可以说,“x不是集合A中的元素。”你越能明确地讲出符号的含义,你就越能理解它们。

当然,写出一个集合的所有元素是不现实的,我们可以使用一种特殊的方式来写出一个元素的序列。假如我们有一个数字序列,以1为步长递增。我们可以这样写:

x = {1,2,3,4…n}

这些点表示这个序列到n结束,n代表“序列的末尾”。所以如果n = 10,这个集合包括从1到10的数字范围。如果n = 100,这个集合包括从1到100的数字范围。

疯狂的方程

当我们将集合转化为线性代数的时候,它们就十分有意思了。你已经认识了一些代数符号比如加号+,减号-。现在我们看两个新的符号和一个方程。首先是符号:

Σ = 一系列数字的和

Π = 一系列数字的积

和是什么?是序列中所有数字做加法。比如我们有一个向量集A(记住向量是一行或一列数字)包括: {1,2,3,4,5}.

序列的和为:

1 + 2 + 3 + 4 + 5 = 15

积是所有数字做乘法。所以对于同样的集合A我们有:

1 x 2 x 3 x 4 x 5 =120

我们可以将序列的和精简地写作:

那么我们怎样理解它呢?简单,看这个。

我们从底部的j开始,j是一个变量。然后将j代入到右边的表达式中。最后,我们将序列的结束数字写在顶部。看一个例子:

如果你是一个程序员,你会立刻认出这是一个循环!

我们给这个方程写一个Python函数:

def sum_x_range(x): j = 1 output = [] # 创建一个空list for k in range(0,5): # 开始循环 z = x**j # 计算x的j次方 j = j + 1 # j增加1,知道到达n,也就是5

output.append[z] # 将z添加到list中 return sum(output) # 返回list中所有数字的和

print (sum_x_range(2)) # 令x=2,调用方程

原谅我糟糕的Python风格,但是我希望代码清晰,而不是简洁。

**符号表示x的j次幂。方程输入参数x,我令它为2。从0到5循环,取x的1,2,3,4, 5次幂,然后将这些数字添加到一个列表中。它得出列表数字之和为:62。

走进矩阵

记住,2D张量也被称为矩阵。它基本上是一个表格,有行和列。首先,你需要知道如何引用矩阵的不同部分。 这张图讲得很清楚:

首先我们有矩阵A。用大写字母表示。

矩阵有m行和n列,所以我们叫它m X n 矩阵,用小写斜体字母表示。

行是水平的,也就是从左到右。 (不要被图中箭头迷惑,箭头指向的i和j不是行的方向,行是水平的!)

列是垂直的,也就是从上到下。

在这个例子中我们有一个4 x 5 矩阵,(也就是2D张量),因为我们有4行5列。

每个方格是矩阵中的一个元素。元素的位置使用小写斜体a和行序号i和列序号j来表示。

所以第1行第2列的4,用a1,2表示。第2行第1列的3,用a2,1表示。

我们不会讲解所有的矩阵数学运算,我们选择其中一种来小试牛刀。

点乘在神经网络中是一种非常常用的运算,所以一起看看它。

点,点,点

点乘是我们用一个矩阵乘以另一个矩阵的方法。

点乘的符号表示,你应该猜到了,是一个点。

a . b

这是两个标量(也就是单独的数)的点乘。标量也是我们的矩阵里的独立的元素。

我们将同样大小和形状的矩阵对应的元素相乘,再把所有的乘积作和。

那么一个向量和另一个向量乘积的公式是什么样的呢?

深吸一口气。你成功了!

我们现在认识了所有的符号。

这是两个等长向量的乘积公式。记住在数学菜鸟的AI学习攻略第四部分-张量表示(有猫) 中讲到,一个向量就是一行或者一列数字。我们的矩阵的每一行或者每一列都是一个向量。

首先我们用矩阵A的第一个元素乘以矩阵B的第一个元素。然后我们用元素A2 乘以元素B2.我们对于每一个元素做相同的操作,直到达到末尾,“n”。然后对它们作和。

让我们看一下这个操作的图示。

现在我们可以把这些数字代入我们的公式。

这里是输出矩阵下一个数字的例子

这是我们处理完所有运算得到的最终结果:

这些例子来自于神奇的趣味数学网站(Math is Fun website)。这个网站里有大量超赞的例子,完全无法超越。

我增加了一些公式,以助于你的理解。因为他们一般都会跳过这些,因为一般这些步骤并不会令人感到困惑。但是你现在再也不会困惑了。

胜在学习策略

我想用一些可以帮你快速学习的策略来结束这篇文章。

我是一个自学者,也就是我一般自己给自己讲解。当我可以放慢脚步,可以自己探索时,我可以学得更好。我会犯一些错误。我上一篇文章就是一个很好的例子,我不得不修正一部分。但是错误也是一件好事!

错误是过程中的一部分。你没有办法避免错误,只能拥抱它。你犯错了,你会进步。没有犯错,就没有进步。就是这么简单。

工程界有一个老段子。

如果你想知道正确答案,不用请人帮忙。只要将错误答案发出来,你就可以看看多少工程师跳出来指正你!

工程师绝不允许错误答案存在!

这是一个老段子,但是常常很管用。

另一件重要的事情是,如果你没有读我在数学菜鸟的AI攻略的一部分推荐的文章的话,或者你没有微积分、代数和几何背景的话,你可能读不了数学符号书(Mathematical Notation book) 。你需要懂得一个术语的背景知识。但是我建议你买一本,它可以在你读其他书的时候,作为一个参考指南。

另外,建议放慢脚步。这又不是比赛!半途而废等于没有分。如果你跳过了一些你不懂的术语,你将来还是不得不回头来看。

所以停下来,花一点时间搞明白所有你不懂的符号。这很缓慢,甚至令人沮丧。但是当你建立越来越多的知识体系,你会越来越快。你会发现你已经理解了一些术语,而此前你从未想象自己可以理解它。

另外,你可能需要从多个地方来查询。需要面对的事实是,大部分人都不是好老师。他们可能理解了一篇材料,但是并不意味着他们可以给其他人讲清楚。教学是一门艺术。这就是为什么趣味数学网站比维基百科好。维基百科确实很“正确”,但是也很枯燥,有时候还令人费解。等你学到更多的时候,也许你可以将维基百科改得更好。

将这些忠告记在心里,你的AI学习之旅就不会误入歧途!

来源:https://hackernoon.com/learning-ai-if-you-suck-at-math-p6-math-notation-made-easy-1277d76a1fe5#.1doldcnhr

关于转载如需转载,请在开篇显著位置注明作者和出处(转自:大数据文摘 | bigdatadigest),并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑,可直接转载,转载后请将转载链接发送给我们;有原创标识文章,请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者,我们将依法追究其法律责任。联系邮箱:zz@bigdatadigest.cn。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-04-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据文摘 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
图像识别
腾讯云图像识别基于深度学习等人工智能技术,提供车辆,物体及场景等检测和识别服务, 已上线产品子功能包含车辆识别,商品识别,宠物识别,文件封识别等,更多功能接口敬请期待。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档