вы упомянули линейное программирование, но не сказали про выпуклое программирование. По сути для машинного обучения в общем виде, без специализации, нужно понимание теории оптимизации и линейной алгебры.
Вопрос подразумевает 3 уровня ответа. Если Вы пользуетесь готовыми библиотеками CV и ML, то ответ примерно, как ролике. Если Вы создаёте такие библиотеки, то матскиллы должны быть на уровне ВМК МГУ. А если Вы разрабатывает новые архитектуры и алгоритмы, то тут нужен уровень аспиранта мехмата или даже постдоковский.
Если что, то я к.т.н.. И МФТИ заканчивал. И защищался по теме связанной с обработкой изображений. И разрабатывал новые алгоритмы и математику не только в ML. И вот нет. Не надо в большинстве ситуаций никакой крутой математики. Ядром TF и PyTorch являются достаточно простые алгоритмы. Любой из них вполне доступен студенту второго-третьего курса. На kaggle выигрывают очень простые алгоритмы. Топовые работы Google с CV - это стак кучи вычислительных мощностей на базовых алгоритмах. Новый Yolo, который разрывает всех по детекции - это минимум какой-то математики новой, просто хорошо выстроенный логический стек всего того что работает. Пардон, любые задачи моделирования динамики жидкостей или управления роботами - и то требуют больше математики. Я могу придумать очень очень редкие примеры где такое нужно. Но всё названное вами - не требует глубокого знания математики. Минимальная компетенция и понимание поля деятельности.
вы упомянули линейное программирование, но не сказали про выпуклое программирование. По сути для машинного обучения в общем виде, без специализации, нужно понимание теории оптимизации и линейной алгебры.
Вопрос подразумевает 3 уровня ответа. Если Вы пользуетесь готовыми библиотеками CV и ML, то ответ примерно, как ролике. Если Вы создаёте такие библиотеки, то матскиллы должны быть на уровне ВМК МГУ. А если Вы разрабатывает новые архитектуры и алгоритмы, то тут нужен уровень аспиранта мехмата или даже постдоковский.
Если что, то я к.т.н.. И МФТИ заканчивал. И защищался по теме связанной с обработкой изображений. И разрабатывал новые алгоритмы и математику не только в ML.
И вот нет. Не надо в большинстве ситуаций никакой крутой математики. Ядром TF и PyTorch являются достаточно простые алгоритмы. Любой из них вполне доступен студенту второго-третьего курса. На kaggle выигрывают очень простые алгоритмы. Топовые работы Google с CV - это стак кучи вычислительных мощностей на базовых алгоритмах. Новый Yolo, который разрывает всех по детекции - это минимум какой-то математики новой, просто хорошо выстроенный логический стек всего того что работает.
Пардон, любые задачи моделирования динамики жидкостей или управления роботами - и то требуют больше математики.
Я могу придумать очень очень редкие примеры где такое нужно. Но всё названное вами - не требует глубокого знания математики. Минимальная компетенция и понимание поля деятельности.
Благодарим
А как же все эти эпиполярные геометрии, восьмиточечные алгоритмы и более ядреные вещи для 3d реконструкции?