机器学习的基础是什么?是“数学”,而“优化”就是数学中的核心知识之一。
而且在机器学习遇到的复杂优化问题(非凸,不熟悉的),最高效的方法就是利用凸优化的思路去解决。
小七这次把《机器学习中的数学 第二期》,中关于优化的部分PPT送给大家。
其中优化问题简介、凸集合与凸函数、优化和凸优化是属于非常基础的部分,后续两大板块有一定难度。
目录:
一、优化问题简介
二、凸集合与凸函数
知识点:
凸集合与凸函数的关系
琴生不等式的几何解释
三、优化与凸优化
知识点:
凸优化问题
对偶问题
对偶性
KKT条件
拉格朗日乘数法
四、支持向量机(SVM)简介
知识点:
线性分类器
对偶方法推导SVM
几何方法推导SVM
五、压缩感知简介
知识点:
信号还原问题
压缩感知
求解压缩感知的优化方法
Lasso方法与优化的稳定性
优化问题简介
凸集合与凸函数
局部极值与全局极值:
凸函数的重要性质:局部极值一定是全局极值
(下图左侧为凸函数,右侧为非凸函数)
凸优化
当原问题只有等式约束而没有不等式约束时,KKT条件即为拉格朗日乘数法。
阶段总结
优化问题在机器学习的模型训练中有重要应用。
凸函数代数性质与凸集合的几何性质;琴生不等式的几何解释。
凸优化是一类相对简单的优化问题;凸函数的局部最小值就是全局最小值。
对偶方法的主要目的是处理原问题中的复杂边界条件;对偶问题永远是凸问题; 弱对偶性永远成立,可以为原问题提供下界。
KKT条件可以用来求解一些优化问题;拉格朗日乘数法是KKT条件的一种特殊形式。
支持向量机简介
压缩感知介绍
向量的范数:
对于一个向量:𝑥=𝑥1,⋯,𝑥𝑛,通常定义:
Lasso 方法与优化的稳定性:
左图:𝑥1+𝑥2的等高线有尖点,此处最优解中𝑤1=0。
右图:𝑥12+𝑥22的等高线是圆,此处最优解中𝑤1,𝑤2≠0,不具备稀疏性。
当线性条件(图中红色直线)由于噪音,产生微小变动时:
左图:最优解中𝑤1=0,较稳定。
右图:最优解中𝑤1,𝑤2同时改变,较为不稳定。
代码示例
SVM 分类器:
https://scikit-learn.org/stable/modules/svm.html
压缩感知:
https://scikit-learn.org/stable/auto_examples/applications/plot_tomography_l1_reconstruction.html
机器学习所需的数学基础,主要就是四大方面:微积分、线性代数、概率论、以及上文分享的优化。
大家如果对其他三方面感兴趣,目前《机器学习中的数学第二期》可以免费试听。快用PC端打开网页,开始学习吧。
课程网址:
https://www.julyedu.com/course/getDetail/103&from=dl
大量学员拿到30-40万年薪
多位名校博士+BAT专家手把手教学
现在报名
送18VIP会员
[包2018全年在线课程和全年GPU]
前80人可享特惠价
↓立刻扫码查看详情↓