Sabendo que os algoritmos de machine learning são essencialmente algoritmos matemáticos, é natural que busquemos conhecimento na área para conhecer e dominar melhor o aprendizado de máquina.
Porém, a matemática é um ramo muito extenso, possuindo subdivisões em grupos de grandes áreas (cada uma contendo uma quantidade de conteúdo suficiente para um estudante dedicar toda sua vida).
Portanto, simplesmente estudar matemática de forma genérica será muito pouco eficiente para a melhor compreensão do machine learning. É necessário que saibamos o que estudar.
O que estudar de matemática para machine learning
Basicamente, existem 4 grandes áreas da matemática fundamentais para o aprendizado de machine learning e inteligência artificial:
- Probabilidade (Teorema de Bayes, Eventos, etc.)
- Estatística (variância, desvio padrão, MAE/MSE, ROC/AUC, distribuição normal, p-value, ANOVA, correlação, coeficiente de determinação R2, etc.)
- Cálculo (funções, limites, derivada, derivada parcial, máximos e mínimos de funções, etc.)
- Álgebra linear (sistemas lineares, operações com matrizes, cálculo vetorial, autovalores e autovetores, etc.)
Muito bem, já conseguimos uma ideia melhor de por onde podemos começar, mas por outro lado temos um novo problema, uma vez que todas essas áreas ainda são extremamente grandes.
Simplesmente dizer que a probabilidade ou a estatística são importantes para o machine learning acaba não auxiliando de maneira significativa quem busca conhecer mais sobre o aprendizado de máquina.
Normalmente, para resolver esse problema vemos sugestões do tipo: fazer um curso de probabilidade para machine learning, outro de estatística para machine learning, e assim por diante.
Mas até mesmo nesses casos é difícil de se confiar, pois muitas vezes tais cursos são organizados apenas para vender material, colocando no currículo muita coisa que não é prática no machine learning de verdade.
E essa abordagem nos leva a um novo problema: aprendemos alguns conceitos matemáticos necessários, mas no momento de associa-los ao machine learning na prática, é provável que já tenhamos esquecido muitos deles, seja pelo tempo decorrido ou pela quantidade de informação que precisamos absorver.
Além disso, estudando apenas a matemática necessária, sem a devida aplicação prática através do machine learning, será um tanto abstrato, de maneira similar ao que muitas vezes vemos nas graduações ou mesmo na escola.
Esse aprendizado pode acabar se tornando demasiadamente maçante, principalmente para aqueles que não possuem formações nessas áreas.
Área de interesse
É importante sempre lembrarmos da área de interesse. Nesse caso, nosso interesse está no machine learning e não necessariamente na matemática, portanto nosso foco precisa estar no aprendizado de machine learning.
É perfeitamente compreensível que pessoas interessadas no aprendizado de máquina desanimem ao serem forçadas a aprender matemática, linguagem de programação, ou a área que for, caso esse aprendizado não possua uma clara relação com a área de interesse.
É evidente que ao longo desse processo, aprenderemos muitas coisas que serão úteis nas mais diversas situações, e inclusive podemos ser levados a diferentes caminhos a partir desses novos conhecimentos adquiridos. Mas o início do processo precisa ser o mais direcionado e prático possível!
Como estudar matemática para machine learning
Pensando nessas questões que abordamos, vemos como fundamental estudar matemática juntamente com os algoritmos de machine learning, para aprender de forma associativa. Com este foco, priorizando simplicidade e a didática, montamos o curso de Matemática para Machine Learning, totalmente gratuito, que irá fornecer os primeiros passos para realmente compreender a matemática por trás desta fascinante tecnologia.
Caso você não tenha facilidade com matemática, recomendamos também o curso Fundamentos da Matemática, onde abordamos de maneira muito simples e objetiva os fundamentos necessários para a compreensão da matemática utilizada em machine learning, para após relembrar estes conceitos, seguir no aprendizado.
Mas a melhor opção é estudar esses tópicos ao mesmo tempo em que se aprende o machine learning, como já comentamos. Ou seja, você estuda o teorema de Bayes (por exemplo) para logo em seguida utilizar o algoritmo Naive Bayes no mundo do machine learning. Você estuda operações com matrizes para logo em seguida estudar redes neurais e deep learning. É dessa forma que o aprendizado será mais focado, divertido e útil.
Se você quer ter esse tipo de abordagem, aprendendo matemática, programação e machine learning ao mesmo tempo, comece com nosso curso de machine learning com Python.
Conheça também nossos cursos de machine learning completos.
Artigos relacionados:
- Tudo sobre Python
- Percentil e quartil
- Conceitos de Variância e Viés
- Entenda o básico de probabilidade
- De onde vem o número de Euler
- Gradiente Descendente e Regressão Linear
- Introdução a Redes Neurais e Deep Learning
- Aprendizado Supervisionado e Não Supervisionado
- Problemas de Classificação e Regressão
- O que é um Modelo de Machine Learning
