ФУНДАМЕНТАЛЬНАЯ РОЛЬ МАТЕМАТИЧЕСКИХ ДИСЦИПЛИН В РАЗРАБОТКЕ И ФУНКЦИОНИРОВАНИИ СИСТЕМ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.65164/1t0xp004Kalit so‘zlar:
Машинное обучение, Математические основы, Линейная алгебра, Математический анализ, Теория вероятностей, Оптимизация, Критическое мышление, Искусственный интеллект, Алгоритмическое мышлениеAbstrak
Данная научная статья исследует критическую и фундаментальную роль математических дисциплин — линейной алгебры, математического анализа, теории вероятностей и математической статистики — в построении, обучении, оптимизации и валидации современных систем машинного обучения (ML). Анализ показывает, как математика формирует аксиоматический базис для представления данных, алгоритмов минимизации ошибок (градиентный спуск) и оценки надёжности прогнозов. Делается вывод о том, что глубокое понимание этих математических основ является обязательным условием для формирования системного, критического и алгоритмического мышления, необходимого специалистам для перехода от использования готовых инструментов к самостоятельному проектированию и инновационному развитию алгоритмов искусственного интеллекта
Havolalar
1. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. (Один из наиболее
полных учебников, основанный на вероятностном подходе к ML).
2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. (Классический
источник по DL, требующий глубоких знаний линейной алгебры и анализа).
3. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data
Mining, Inference, and Prediction. Springer. (Основополагающий труд по статистическому
подходу к обучению).
4. Strang, G. (2019). Introduction to Linear Algebra (5th ed.). Wellesley-Cambridge Press.
(Основной учебник по линейной алгебре, широко используемый в инженерных и ITдисциплинах).
5. Романовский И. В. (2019). Дискретная математика для программистов. Санкт-Петербург:
БХВ-Петербург. (Полезен для понимания основ алгоритмов и структур данных).
