Voglio approfondire l'apprendimento automatico (teoria e applicazione in finanza). Voglio chiederti quanto sono rilevanti l' analisi complessa e l' analisi funzionale come base per l'apprendimento automatico? Devo imparare queste materie o dovrei concentrarmi su un altro argomento (se sì, su quale?)
Risposte:
Direi che i prerequisiti più importanti per l'apprendimento automatico sono l' algebra lineare , l' ottimizzazione (sia numerica che teorica) e le probabilità .
Se leggi i dettagli delle implementazioni degli algoritmi di machine learning comuni (ho in mente LASSO, Elastic Net, SVM) le equazioni si basano fortemente su varie identità (doppia forma di un problema di ottimizzazione, varie formule derivanti dall'algebra lineare) e l'implementazione richiede la conoscenza di tecniche come la discesa del gradiente.
Le probabilità sono un must sia nel PAC Learning Framework che ogni volta che studi i test.
Quindi, solo allora, l' analisi funzionale può tornare utile. Soprattutto quando studi kernel (e usi teoremi di rappresentazione).
Per quanto riguarda l'analisi complessa, non sono a conoscenza del grande uso di importanti teoremi derivanti da questo campo nell'apprendimento automatico (qualcuno mi corregge se sbaglio).