Πώς να ξεπεράσετε τον φόβο των μαθηματικών και να μάθετε μαθηματικά για την επιστήμη δεδομένων

Εικόνα από Editor
 

Υπάρχει ένα πράγμα στο οποίο πρέπει να εστιάσετε πρώτα: πόσα μαθηματικά για την επιστήμη δεδομένων. Χρησιμοποιήστε αυτές τις αναρτήσεις ως αναφορά σε όσα πρέπει να μάθετε:

Με βάση τα παραπάνω ως οδηγό, εδώ είναι πώς έμαθα μαθηματικά:

Τα στατιστικά εκμάθησης ήταν πολύ μπερδεμένα. Δεν μπορούσα να συνδέσω διαφορετικά μέρη των θεμάτων. Πήρα ένα STAT100 από το Penn State online (μια εβδομάδα) και ακόμα δεν μπορούσα να θυμηθώ τίποτα.

Τότε υπάρχει η πιθανότητα. Έχω περάσει μέρες και νύχτες και τα Σαββατοκύριακά μου προσπαθώντας να πιάσω το θεώρημα του Bayes, αλλά ήταν σαν ένα μυστήριο που δεν μπόρεσα ποτέ να λύσω. Ρώτησα τον εαυτό μου:

Στην προσωπική μου ζωή, πώς διασκέδασα τους τελευταίους μήνες; Που βρήκα τη χαρά;

Μου άρεσε να βλέπω House of Cards, Κοστούμια, Ghost in the Shell, Δισεκατομμύρια, να Star Wars . Εγώ παρακαλώ πολλές εποχές/τόμοι αυτών. Αποφάσισα να παρακολουθήσω, να διαβάσω και να εξασκηθώ στο Probability για μια ολόκληρη εβδομάδα: Δευτέρα έως Κυριακή. Κατέληξα σε ένα νέο σχέδιο:

Δεν θα διαβάσω βιβλίο μαθηματικών. Ούτε MOOC θα κάνω. Ο λόγος είναι: και τα δύο προέρχονται από ακαδημαϊκά πρότυπα σχεδιασμένα για μεταπτυχιακές σπουδές (3+ έτη). Οι ακαδημαϊκοί είναι ήδη ειδικοί στα αντικείμενά τους, τα διδάσκουν εδώ και χρόνια, και ως εκ τούτου τα MOOC/βιβλία που έχουν γραφτεί για το ίδιο έχουν διάρκεια τουλάχιστον ενός ή δύο εξαμήνων. Τι γίνεται με έναν τύπο που δεν ξέρει τίποτα για αυτά τα θέματα και δεν έχει ένα ή δύο εξάμηνα να μάθει;

Πώς έμαθα

1. Αν δεν καταλάβαινα κάτι από ένα μέρος, τα παράτησα και πήγαινα σε ένα δεύτερο μέρος. Αντί να δουλεύω σκληρά για το ίδιο άρθρο, δημοσίευση ιστολογίου ή βίντεο για ώρες, επικεντρώθηκα στο να δουλέψω σκληρά για το συγκεκριμένο θέμα και αυτό με έκανε ευέλικτο. Χρησιμοποίησα έναν άλλο πόρο και μετά έναν άλλο μέχρι να καταλάβω την έννοια.
2. Έκανα εξάσκηση σε προβλήματα. Δεν μπορούμε να μάθουμε μαθηματικά διαβάζοντας και κατανοώντας. Πρέπει να το εφαρμόσουμε στα προβλήματα. mathsisfun.com έχει μια λίστα προβλημάτων με τις απαντήσεις.

Κατέληξα να παρακολουθώ υπερβολικά, να διαβάζω και να εξασκώ πολλές έννοιες:

1. Η διακριτή τυχαία μεταβλητή του Eddie Woo. Σύνολο 3 βίντεο (αυτό περιλαμβάνει την αναμενόμενη τιμή)
2. Μεταθέσεις και συνδυασμοί από Έντι Γου
3. Μεταθέσεις και συνδυασμοί από Φροντιστήριο Μαθηματικών Mario
4. Θεώρημα Bayes από Τα μαθηματικά είναι διασκεδαστικά
5. Πιθανότητα υπό όρους, Θεώρημα Bayes και άλλα από Investopedia
6. Κατανομές πιθανοτήτων από zedstatistics (εξηγεί ως προς την κλίση)
7. Συνάρτηση πυκνότητας πιθανότητας (PDF) από Εξήγησε ο Μιχαήλ (εξηγεί το ίδιο ως προς την άλγεβρα και τα γραφήματα)
8. Αθροιστική Συνάρτηση Κατανομής (CDF) από Εξήγησε ο Μιχαήλ
9. Διακριτές κατανομές πιθανοτήτων από Τζέισον Γκίμπσον of mathtutordvd.com (το καλύτερο βίντεο σχετικά με το τι είναι μια διακριτή κατανομή πιθανοτήτων)
10. Μια εξαιρετική Ανάρτηση StackExchange σε PDF εναντίον PMF
11. Σύνδεσμος για τα μαθηματικά σχετικά με την ιδέα του PDF από την ανάρτηση StackExchange που ανέφερα παραπάνω
12. MIT OCW διάλεξη σε PDF (αναφέρεται στην ανάρτηση του StackExchange)

Τώρα μπορώ να εξηγήσω τα πάντα για το PDF με την τεχνική Feynman 🙂

Δεν είμαι ο μόνος που κατάλαβα αυτή την αρχή της μάθησης. Κεν Τζι έχει καταλήξει σε ένα παρόμοιο σχέδιο στο βίντεό του στο YouTube:

[Ενσωματωμένο περιεχόμενο]

[Ενσωματωμένο περιεχόμενο]

Ο Κεν Τζι YouTube.

Τέλος, παρακολούθησα υπερβολικά Βασικές αρχές Στατιστικής by Τζος Στάρμερ της φήμης StatQuest.

O Λίστα αναπαραγωγής Γραμμική παλινδρόμηση και Γραμμικά μοντέλα είναι αυτό που παρακολουθώ αυτή τη στιγμή. Ο τύπος είναι υπέροχος στο να εξηγεί πράγματα. Δεν χάνει καθόλου χρόνο, κρατά τα πράγματα επίκαιρα και φροντίζει να επανεξετάζει πριν προχωρήσει, και όλα αυτά με σχεδόν κανέναν κωδικό. Επιδιώκει τη σαφήνεια και τα θεμελιώδη, που είναι ούτως ή άλλως το νόημα του να μάθεις οτιδήποτε. Ο Τζος έχει την καλύτερη εισαγωγή στους λογάριθμους και τη γραμμική παλινδρόμηση που έχω συναντήσει μέχρι τώρα. Και θα λατρέψετε τα BAM και τα μικροσκοπικά μπαμ και τα τριπλά BAM του 🙂

Αντί να χρησιμοποιείτε παραδοσιακές μεθόδους εκμάθησης (να παραλάβετε ένα βιβλίο και να αφιερώσετε μήνες σε αυτό), σας συνιστώ να μάθετε από αυτά τα μέρη και μπορείτε να το κάνετε σε μια εβδομάδα. Έχουν όλη τη Γραμμική Άλγεβρα που χρειάζεστε για την επιστήμη των δεδομένων:

1. Γραμμική Άλγεβρα από Ritchie Ng
2. Γραμμική Άλγεβρα από Βουτήξτε στη βαθιά μάθηση
3. Γραμμική Άλγεβρα από Πάμπλο Κάσερες (το πιο ολοκληρωμένο. Έκανα το 70% επειδή ήθελα να μάθω ορισμένα θέματα. Έχει πολλή θεωρία και νομίζω ότι περιέχει περισσότερα από όσα χρειάζεται να ξέρετε ακόμα και για βαθιά μάθηση)
4. Γραμμική Άλγεβρα από Βιβλίο Deep Learning

Υπάρχουν πολλοί μαθητές που φοβούνται τα μαθηματικά. Αυτός ο φόβος για τα μαθηματικά δεν μας αφήνει να καταλάβουμε και να κατανοήσουμε όσα θέματα πρέπει να μάθουμε. Νομίζουμε ότι δεν έχουμε μαθηματικό μυαλό. Το να είσαι ιδιοφυΐα όπως ο Georg Cantor και να δημιουργείς μαθηματικές οντότητες και να μπορείς να κατανοείς και να χρησιμοποιείς τα μαθηματικά ως εργαλείο ή ως μοντέλο για την επίλυση προβλημάτων είναι δύο πολύ διαφορετικά πράγματα. Το πρώτο είναι δώρο από το Σύμπαν (ή τον Θεό), ενώ το δεύτερο είναι ένα σύνολο δεξιοτήτων. Επίσης, κανείς μας δεν είναι ιδιοφυΐα και ούτε είμαστε άριστοι απόφοιτοι του Χάρβαρντ ή της Οξφόρδης. Δεν μπορούμε να κάνουμε τίποτα για αυτόν τον περιορισμό. Μπορούμε να κάνουμε κάτι στάση και  ικανότητα να αποκτήσουν τα μαθηματικά ως σύνολο δεξιοτήτων. Δείτε αυτά τα βίντεο για να αλλάξετε τις πεποιθήσεις σας για τα μαθηματικά:

Λίστα Α:

Όποιο βίντεο σας αρέσει Ο Μάγος των Μαθηματικών (Έχω παρακολουθήσει 30+). Ξεκινήστε με αυτά:

1. Τρεις συμβουλές για να μάθετε μαθηματικά μόνοι σας
2. 6 Ελάχιστα γνωστοί λόγοι Γιατί η αυτομελέτη είναι το κλειδί για την επιτυχία στα μαθηματικά
3. Γιατί μερικοί άνθρωποι μαθαίνουν μαθηματικά τόσο γρήγορα
4. Πώς να ξεπεράσετε την αποτυχία στα μαθηματικά

Λίστα Β:

1. Τι χρειάζεται για να μάθεις μαθηματικά; Να ζήσω μια ζωή; | Μίροσλαβ Λόβριτς
2. Ο καθένας μπορεί να είναι μαθηματικός άνθρωπος Μόλις Ξέρουν τις Καλύτερες Τεχνικές Εκμάθησης | Πο-Σεν Λοχ
3. Πώς μπορείς να είσαι καλός στα μαθηματικά, και άλλα εκπληκτικά γεγονότα σχετικά με τη μάθηση | Jo Boaler
4. Η ενδιαφέρουσα ιστορία του εκπαιδευτικού μας συστήματος | Adhitya Iyer

Το τελευταίο βίντεο είναι για το πώς λειτουργεί το ινδικό εκπαιδευτικό σύστημα. Εκεί σπούδασα, οπότε έχω λίγη προκατάληψη να το συμπεριλάβω εδώ. Είναι ένα ενδιαφέρον βίντεο, παρεμπιπτόντως.

Λίστα Γ:

Διαλέξτε ένα θέμα μαθηματικών που πάντα θέλατε να μάθετε, πηγαίνετε στο τα μαθηματικά είναι διασκεδαστικά και διαβάστε το, επεξεργαστείτε όλες τις ασκήσεις. Θα χάσετε αμέσως το ήμισυ του φόβου κάνοντας αυτό. Οι εξηγήσεις έχουν γίνει τόσο απλές και βασικές που μπορείτε να δείτε μέσα από τα μαθηματικά, ανεξάρτητα από την ηλικία ή το υπόβαθρό σας.

Βήμα 6: Πώς να μην ξεχάσετε όσα μαθαίνετε

Ενώ μαθαίνετε όλα τα παραπάνω διαβάζοντας, παρακολουθώντας και λύνοντας προβλήματα, σύντομα θα ξεχάσετε το 80–90% από αυτά σε μια εβδομάδα περίπου. Ο μόνος τρόπος για να κάνετε τη μάθηση μόνιμη είναι: χρησιμοποιήστε το καθημερινά στην εργασία σας.

Η κατάρα της αυτο-μελέτης για να γίνεις επιστήμονας δεδομένων είναι ότι δεν μπορείς να χρησιμοποιήσεις όλα όσα έχεις μάθει. Λοιπόν, εδώ είναι μια διαφορετική μέθοδος:

• Μόλις μάθετε ένα θέμα. Χρήση την τεχνική Feynman επόμενη
• Βάλτε την επικεφαλίδα/τίτλο του θέματος σε μια λίστα
• Στο τέλος της εβδομάδας, ελέγξτε τη λίστα σας και χρησιμοποιήστε την τεχνική Feynman για να εξηγήσετε όλα τα θέματα στη λίστα

Εικόνα από Τζον Χέιν από Pixabay.

Οφέλη αυτής της προσέγγισης

Αυτή η προσέγγιση του Binge-* + τεχνική Feynman έχει πολλά οφέλη:

• Εξοικονομείτε πολύ χρόνο επειδή δεν διαβάζετε ολόκληρο βιβλίο ή κάνετε MOOC, και τα δύο απαιτούν μήνες.
• Μαθαίνεις μόνο αυτό που χρειάζεσαι. Η επιστήμη των δεδομένων δεν είναι μαθηματικά. Μην ξεχνάτε την επιχειρηματική αξία, την προετοιμασία του χαρτοφυλακίου, τους ενδιαφερόμενους φορείς και την αφήγηση με χρήση δεδομένων. Είναι πιο σημαντικά από την «εκμάθηση των μαθηματικών ολοκληρωμένα».
• Η εστίασή σας παραμένει στην πραγματική δουλειά.
• Μαθαίνεις πώς να εξηγείς. Μια πολύ χρήσιμη δεξιότητα για να μπορείτε να εκθέσετε την άποψή σας στο χώρο εργασίας σας, ενώ σέβεστε όλους τους γύρω σας. Είναι ωφέλιμο και στις συνεντεύξεις.
• Δεδομένου ότι έχετε τη θεμελιώδη ιδέα πίσω από ορισμένα μαθηματικά θέματα, μπορείτε να εξερευνήσετε και να μάθετε λεπτομερώς αργότερα όταν θα εργαστείτε.

 
 
Άρνουλντ είναι προγραμματιστής βιομηχανικού λογισμικού με 5ετή εμπειρία σε C, C++, Linux και UNIX. Μετά τη μετάβαση στην Επιστήμη των Δεδομένων και την εργασία ως συγγραφέας περιεχομένου επιστήμης δεδομένων για περισσότερο από ένα χρόνο, σήμερα εργάζεται ως ανεξάρτητος επιστήμονας δεδομένων.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://www.kdnuggets.com/2021/03/overcome-fear-learn-math-data-science.html?utm_source=rss&utm_medium=rss&utm_campaign=how-to-overcome-the-fear-of-math-and-learn-math-for-data-science