ДС используется знания мат анализа и прочих наук, просто мне это лично очень интересно, но например не всегда в полной мере понимаю зачем они все в плане практического использования ?
Если в ресеч идти то это необходимо, матан и лиан это база без которой сложно будет что то толковое сделать, р&д уже не так необходимо, так как для работы большая часть написано и нужно просто юзать, имхо Пс. Но до топа в р&д без матана не дойти
Понял, спасибо за ответ, ну вроде с матаном дружу, а с линалом тем более, не всегда конечно, иногда приходится попотеть, но скорее всего это ещё обусловлено тем что я только второй семестр обучения начал
1. сначала нужен линал, чтобы организовать модель как систему чисел, и оперировать группами чисел (входы, коэффициенты, выходы) как "просто" числами, 2. потом нужен теорвер, чтобы поставить содержательную задачу. "ошибаться в среднем как можно реже в прогнозах", 3. затем нужен матан, чтобы минимизировать отклонение прогнозов от известных тренировочных ответов. тот же pytorch практически следует этой же концепции, прогноз (model.forward), сравнение (loss = criterion(prediction, true)), обучение (loss.backward, optimizer.step)
Вау, круто, спасибо
Я бы еще добавил матстат для А/B тестирования и интерпретации результатов работы модели. Думал матстат мне никогда не пригодится, но когда финэффект сильно на твоих моделях завязан, тебя за каждый пункт gini спросят
Что по матану порекомендуете на степике/курсере ?
Возможно, стоит взглянуть на содержание этой книжки, чтобы понять, зачем нужна матеша
Ой да, матстат тоже тема, всякие гипотезы проверять, особенно нулевые на стабильность модели
Обсуждают сегодня