Blocos de construção matemáticos de redes neurais

A matemática é vital em qualquer algoritmo de aprendizado de máquina e inclui vários conceitos básicos da matemática para obter o algoritmo certo projetado de uma maneira específica.

A importância dos tópicos de matemática para o aprendizado de máquina e ciência de dados é mencionada abaixo -

Agora, vamos nos concentrar nos principais conceitos matemáticos de aprendizado de máquina, que são importantes do ponto de vista do Processamento de Linguagem Natural -

Vetores

Vetor é considerado uma matriz de números contínua ou discreta e o espaço que consiste em vetores é chamado de espaço vetorial. As dimensões espaciais dos vetores podem ser finitas ou infinitas, mas foi observado que os problemas de aprendizado de máquina e ciência de dados lidam com vetores de comprimento fixo.

A representação vetorial é exibida conforme mencionado abaixo -

temp = torch.FloatTensor([23,24,24.5,26,27.2,23.0])
temp.size()
Output - torch.Size([6])

No aprendizado de máquina, lidamos com dados multidimensionais. Portanto, os vetores tornam-se muito importantes e são considerados recursos de entrada para qualquer declaração de problema de previsão.

Escalares

Os escalares são denominados como tendo dimensões zero contendo apenas um valor. Quando se trata de PyTorch, ele não inclui um tensor especial com dimensões zero; portanto, a declaração será feita da seguinte forma -

x = torch.rand(10)
x.size()
Output - torch.Size([10])

Matrizes

A maioria dos dados estruturados é geralmente representada na forma de tabelas ou uma matriz específica. Usaremos um conjunto de dados chamado Boston House prices, que está disponível na biblioteca de aprendizado de máquina scikit-learn do Python.

boston_tensor = torch.from_numpy(boston.data)
boston_tensor.size()
Output: torch.Size([506, 13])
boston_tensor[:2]
Output:
Columns 0 to 7
0.0063 18.0000 2.3100 0.0000 0.5380 6.5750 65.2000 4.0900
0.0273 0.0000 7.0700 0.0000 0.4690 6.4210 78.9000 4.9671
Columns 8 to 12
1.0000 296.0000 15.3000 396.9000 4.9800
2.0000 242.0000 17.8000 396.9000 9.1400