ROC-AUC de 0,97, precisión del 9 %: la matemática de la tasa base
Trabaja con un detector con un 1 % de positivos, convierte los umbrales en puntos ROC y de precisión-recall, y elige un punto operativo para un presupuesto de revisión de 30 alertas.
Una lección conectada cada día
Matemáticas para IA
Sigue un recorrido de 180 días desde la notación matemática hasta la regresión, PCA, los modelos de mezcla y las máquinas de vectores de soporte. Cada lección muestra dónde aparecen las matemáticas en la IA.
Progreso del curso
8 / 180lecciones publicadas
Siguiente: Lección 9, Equaciones, restricciones y conjuntos de soluciones.
Lecciones 1–10
Fundamentos matemáticos
Publicada · Lección 1
Variables, valores y modelos de IA
Lea un símbolo como una cantidad nombrada y separa una variable de su valor actual.
Publicada · Lección 2
Funciones como máquinas matemáticas reutilizables
Evaluar una función y distinguir su entrada, regla y salida.
Publicada · Lección 3
Dominio, codominio y entradas de modelo válidas
Estado en el que una función acepta entradas y qué tipo de salida promete.
Publicada · Lección 4
Los conjuntos, la membresía y los conjuntos de datos
Lea el constructor de conjuntos y la notación de membresía y use conjuntos para describir datos.
Publicada · Lección 5
Indices, suscripciones y direcciones de tensores
Interpretar las muestras y coordenadas indexadas sin confundir la identidad y el valor.
Publicada · Lección 6
Sumas, productos y acumulación de pérdidas
Amplía la sigma y la notación del producto y traduce en bucles.
Publicada · Lección 7
Potencias, raíces y escala de modelos
Manipula exponentes y raíces y reconoce cambios de escala.
Publicada · Lección 8
Los logaritmos convierten los productos en sumas
Utilice los logaritmos como potencias inversas y convierta los productos en sumas.
Próximamente · Lección 9
Equaciones, restricciones y conjuntos de soluciones
Trate una ecuación como una restricción y describa todos los valores que la satisfacen.
Próximamente · Lección 10
Leer una línea de derivación por línea
Justificar cada transformación algebraica e identificar una suposición no declarada.
Lecciones 11–38
Álgebra lineal
Próximamente · Lección 11
Una ecuación lineal como línea geométrica
Convertir una ecuación lineal de dos variables en una línea y probar soluciones.
Próximamente · Lección 12
Sistemas de ecuaciones como intersecciones
Interpretar un sistema como restricciones simultáneas y clasificar sus intersecciones.
Próximamente · Lección 13
Ninguna solución, una solución, o muchas soluciones
Reconocer sistemas inconsistentes, únicos y poco determinados.
Próximamente · Lección 14
Vectores como representaciones de datos de IA
Lea vectores de filas y columnas e interprete las coordenadas como características.
Próximamente · Lección 15
La adición vectorial combina señales
Añadir vectores por componente e interpretar el desplazamiento o mezcla de características resultantes.
Próximamente · Lección 16
La multiplicación escalar controla la fuerza
Escala un vector y predice cambios en dirección y magnitud.
Próximamente · Lección 17
Las combinaciones lineales construyen nuevos vectores
Construir e interpretar una suma ponderada de vectores.
Próximamente · Lección 18
Las matrices organizan reglas lineales
Lea las dimensiones de la matriz e interprete las filas y columnas.
Próximamente · Lección 19
Productos de vectores de matriz en cantidades ponderadas
Calcule un producto de vector de matriz por filas y columnas.
Próximamente · Lección 20
Los productos matriz-matrix componen transformaciones y lotes
Compruebe las formas compatibles y computa un pequeño producto de matriz.
Próximamente · Lección 21
Transponer las relaciones de reorientaciones
Transponer una matriz y explicar lo que cambia semánticamente.
Próximamente · Lección 22
Transformaciones de identidad y inversa
Reconocer el comportamiento de identidad y verificar una pequeña matriz inversa.
Próximamente · Lección 23
La eliminación de Gaussian conserva el conjunto de soluciones
Aplicar las operaciones de filas elementales sin cambiar las soluciones.
Próximamente · Lección 24
La forma en fila eshelona revela la estructura
Encuentra pivotes, variables libres y una solución general.
Próximamente · Lección 25
Resolución numérica sin inversos explícitos
Utilice `numpy.linalg.solve` y explique por qué se evita generalmente la inversión explícita.
Próximamente · Lección 26
Por qué las estructuras algebraicas determinan operaciones válidas
Distinguir los supuestos de cierre, inverso y distributivo a nivel intuitivo.
Próximamente · Lección 27
Los espacios vectoriales definen las representaciones legales
Prueba si un conjunto cumple con las reglas de cierre de espacio vectorial.
Próximamente · Lección 28
Los subespacios capturan familias de características restringidas
Prueba las condiciones del subspacio e interpreta una región de menor dimensión.
Próximamente · Lección 29
La independencia lineal elimina la redundancia
Determine si los vectores contienen direcciones redundantes.
Próximamente · Lección 30
Span describe lo que una representación puede expresar
Identifique el conjunto de vectores alcanzables por combinaciones lineales.
Próximamente · Lección 31
Las bases dan sistemas de coordenadas compactos
Verificar una base y expresar un vector en coordenadas de base.
Próximamente · Lección 32
La dimensión cuenta direcciones independientes
Relacione la dimensión con el tamaño de una base en lugar de mostrar la forma sola.
Próximamente · Lección 33
Medidas de rango de información lineal efectiva
Computa la clasificación y conecta las perspectivas de filas y columnas.
Próximamente · Lección 34
Los mapas lineales conservan las combinaciones
Prueba la linealidad y describa los espacios de entrada y salida.
Próximamente · Lección 35
Las matrices representan mapas lineales
Derivar una matriz de mapeo a partir de vectores de base transformados.
Próximamente · Lección 36
El núcleo y la imagen explican la información perdida y accesible
Encuentra ejemplos sencillos de espacio nulo e imagen e interpretalos.
Próximamente · Lección 37
Los espacios afines añaden compensaciones a la estructura lineal
Distinguir conjuntos y transformaciones lineales y afines.
Próximamente · Lección 38
Algebra lineal en una pequeña red neuronal
Traza formas, mapas, sesgo, rango y expresividad a través de una red de dos capas.
Lecciones 39–54
Geometría analítica
Próximamente · Lección 39
Las normas miden el tamaño del vector
Calcule las normas vectoriales comunes y compruebe las propiedades normales.
Próximamente · Lección 40
L1, L2 y L-infinity ven el tamaño de manera diferente
Explique cómo las diferentes normas cambian la geometría y la sensibilidad.
Próximamente · Lección 41
Los productos internos miden la alineación
Computa un producto interno y conecta el signo y la magnitud a la alineación.
Próximamente · Lección 42
Los productos de puntos convierten las características en puntajes
Interpretar un producto de puntos como una puntuación de características ponderada.
Próximamente · Lección 43
La distancia depende de la geometría elegida
Derivar la distancia de una norma y comparar los vecinos más cercanos.
Próximamente · Lección 44
Ángulos y similitud cosinales
Computa un ángulo y similitud cosina y maneja los límites de vectores cero.
Próximamente · Lección 45
La ortogonalidad significa que no hay superposición lineal.
Prueba la ortogonalidad e interprete el producto interior cero geométricamente.
Próximamente · Lección 46
Las bases ortónormales simplifican las coordenadas
Verificar la ortonomía y calcular las coordenadas con productos internos.
Próximamente · Lección 47
GramSchmidt construye direcciones ortogonales
Ejecutar GramSchmidt en dos o tres vectores e identificar la inestabilidad.
Próximamente · Lección 48
Los complementos ortogonales capturan lo que queda
Describa las direcciones ortogonales a un subespacio.
Próximamente · Lección 49
Las funciones también pueden tener productos internos
Interpretar la similitud de las funciones a través de una suma integral o discreta.
Próximamente · Lección 50
La proyección encuentra el punto más cercano
Computa la proyección sobre una línea y explica el residual perpendicular.
Próximamente · Lección 51
Las matrices de proyección transforman conjuntos de datos enteros
Construir y comprobar una matriz de proyección simple.
Próximamente · Lección 52
Los cuadrados mínimos es un problema de proyección
Derivar la geometría de la ecuación normal sin depender de la inversión explícita.
Próximamente · Lección 53
Las rotaciones preservan la longitud y el ángulo
Construye una matriz de rotación 2D y verifique sus invariantes.
Próximamente · Lección 54
Geometría de búsqueda de similitud
Elija una métrica, normalización y estrategia de proyección para un problema de recuperación.
Lecciones 55–72
Descomposiciones matriciales
Próximamente · Lección 55
Determinantes para medir el volumen orientado
Compute determinantes 2D e interprete el signo y la escala.
Próximamente · Lección 56
Matrices singulares información de colapso
Conecta determinante cero, pérdida de rango y no invertibilidad.
Próximamente · Lección 57
Trace resume la acción diagonal
Computa el rastro y utiliza sus propiedades lineales y cíclicas de manera segura.
Próximamente · Lección 58
Los Eigenvectors mantienen su dirección
Verifique un par propio y distingue la dirección de la escala.
Próximamente · Lección 59
Los valores propios miden el crecimiento direccional
Interpretar el signo y la magnitud del valor propio, incluidos los casos cero y repetidos.
Próximamente · Lección 60
Los polinomios característicos encuentran valores propios
Resolver una ecuación de características 2×2 y comprobar el resultado.
Próximamente · Lección 61
Vectores propios en Markov y sistemas de clasificación
Explique cómo las actualizaciones lineales repetidas se acercan a una dirección estable.
Próximamente · Lección 62
La factorización de Cholesky explota la certeza positiva
Factorar una matriz de definición positiva pequeña y reconocer las condiciones de elegibilidad.
Próximamente · Lección 63
La diagnóstico desacopla una transformación
Expresar una matriz diagonalizable en su base propia.
Próximamente · Lección 64
Las matrices simétricas tienen una estructura propia amigable
Establezca y use la estructura propia real y ortogonal de las matrices simétricas.
Próximamente · Lección 65
La descomposición de valores singulares factorizan cualquier matriz
Interpretar el SVD como formas de rotación, escala, rotación y pista.
Próximamente · Lección 66
Los valores singulares clasifican las direcciones por fuerza
Conecte valores singulares a la clasificación, el condicionamiento y la señal capturada.
Próximamente · Lección 67
Los pseudoinversos resuelven sistemas no cuadrados
Utilice el pseudoinverso SVD y explique las direcciones cero descartadas.
Próximamente · Lección 68
La aproximación de bajo rango mantiene los patrones más fuertes
Construir un SVD truncado y cuantificar el error de reconstrucción.
Próximamente · Lección 69
Compresión de matriz para pesos de modelo
Calcular los ahorros de parámetros e identificar las compensaciones de calidad.
Próximamente · Lección 70
El acondicionamiento predice la sensibilidad numérica
Computa un número de condición y predica la amplificación del error.
Próximamente · Lección 71
Las factorizaciones y los controles de reconstrucción
Elija y verifique Cholesky, eigendecomposition o SVD en el código.
Próximamente · Lección 72
Cómo las descomposiciones impulsan los sistemas modernos de IA
Seleccione una descomposición para el ranking, covariance, resolución o compresión.
Lecciones 73–98
Cálculo vectorial
Próximamente · Lección 73
Cambios, pendientes y predicciones locales
Interpretar la pendiente como un cambio local en lugar de sólo subir sobre la corriente.
Próximamente · Lección 74
Los límites hacen que el cambio instantáneo sea preciso
Explique el límite de la derivada y distingue los pasos más pequeños de los pasos cero.
Próximamente · Lección 75
Las reglas derivadas evitan los límites de repetición
Aplique las reglas de suma, producto, cuotiente y potencia con suposiciones.
Próximamente · Lección 76
La regla de la cadena rastrea el cambio compuesto
Diferenciar una composición y rastrear sensibilidades intermedias.
Próximamente · Lección 77
Derivados de las funciones de activación comunes
Derivar y comparar los derivados sigmoides, tanh y ReLU, incluidos los puntos no diferenciables.
Próximamente · Lección 78
Los derivados parciales mantienen fijas otras entradas
Calcule derivados parciales y diga lo que queda fijo.
Próximamente · Lección 79
Los graduantes recolectan el cambio local más pronunciado
Construir un vector de gradiente e interpretar su dirección y unidades.
Próximamente · Lección 80
Los derivados direccionales buscan cualquier dirección
Computa el cambio a lo largo de una dirección elegida desde un gradiente.
Próximamente · Lección 81
Jacobians mapa de la sensibilidad de vector a vector
Construye un Jacobian y siga su forma de entrada/salida.
Próximamente · Lección 82
La regla de la cadena jacobiana compone capas
Multiplica los jacobios en el orden correcto y comprueba las formas.
Próximamente · Lección 83
Los gradientes de la matriz rastrean cada parámetro
Interpretar derivadas con respecto a una matriz y verificar dimensiones.
Próximamente · Lección 84
Los trucos de rastreo simplifican los derivados de matriz
Reescribir los objetivos de la matriz escalar con identidades de rastro y diferenciarlos.
Próximamente · Lección 85
Los gráficos de cálculo hacen visibles las dependencias
Dibujar dependencias y asignar derivadas locales a los bordes del gráfico.
Próximamente · Lección 86
Diferenciación automática en modo avanzado de propagación de tangentes
Ejecutar la acumulación anticipada y explicar cuándo es eficiente.
Próximamente · Lección 87
Diferenciación automática en modo inverso de propagación de articulaciones
Ejecutar un pase inverso y explicar por qué las pérdidas escalares lo favorecen.
Próximamente · Lección 88
Propagación hacia atrás a través de una capa densa
Derivar los gradientes de entrada, peso y sesgo con formas de lote correctas.
Próximamente · Lección 89
La verificación de gradientes detecta errores derivados
Comparar los gradientes analíticos y de diferencia finita con el error consciente de la escala.
Próximamente · Lección 90
PyTorch Autograd registra el gráfico
Utilice tensores, `requires_grad`, y hacia atrás al explicar el gráfico.
Próximamente · Lección 91
Los hessianos miden la curvatura multivariada
Construye un pequeño Hessian e interprete las direcciones de curvatura.
Próximamente · Lección 92
Los segundos derivados clasifican los puntos críticos
Utilice los valores propios de Hessian para clasificar los mínimos, máximos y saddles locales.
Próximamente · Lección 93
La linearización se aproxima a un modelo localmente
Construye una aproximación de primer orden y cuantifique el error local.
Próximamente · Lección 94
La serie Taylor añade información de curvatura
Construye las aproximaciones Taylor de primer y segundo orden.
Próximamente · Lección 95
Los gradientes que desaparecen de las reglas repetidas de la cadena
Explique cómo multiplicar las pequeñas derivadas suprime las señales de aprendizaje.
Próximamente · Lección 96
Gradientes de explosión y controles de estabilidad
Explique los productos que explotan y evalúe las respuestas de recorte e inicialización.
Próximamente · Lección 97
Los gradientes de atención conectan la influencia del token
Rastrear cómo un token puede afectar a otro a través de pesas de atención diferenciables.
Próximamente · Lección 98
El cálculo de un pequeño paso de entrenamiento
Conecte las evaluaciones, pérdidas, gradientes, curvatura y actualizaciones de parámetros.
Lecciones 99–126
Probabilidad y distribuciones
Próximamente · Lección 99
La incertidumbre necesita un lenguaje matemático
Distinguir entre la incertidumbre sobre los resultados y la falta de precisión numérica.
Próximamente · Lección 100
Espacios de muestra, eventos y resultados
Definir resultados y eventos y combinar eventos con operaciones establecidas.
Próximamente · Lección 101
Los axiomas de probabilidad restringen las asignaciones válidas
Aplicar no-negatividad, normalización y adictividad para detectar probabilidades inválidas.
Próximamente · Lección 102
Probabilidad condicional actualiza el conjunto de referencia
Calcule la probabilidad condicional y explique el denominador cambiado.
Próximamente · Lección 103
Variables aleatorios mapas de resultados a números
Trate una variable aleatoria como una función y indique sus posibles valores.
Próximamente · Lección 104
Distribuciones discretas asignan masa de probabilidad
Construir y normalizar una función de masa de probabilidad.
Próximamente · Lección 105
Las distribuciones continuas utilizan densidad, no masa de punto
Interpretar la densidad de probabilidad y las áreas en intervalos.
Próximamente · Lección 106
Las distribuciones acumulativas responden a las preguntas sobre el umbral
Leer y construir una función de distribución acumulada.
Próximamente · Lección 107
Las reglas de suma y producto construyen y reducen las probabilidades conjuntas
Ampliar las probabilidades conjuntas y marginar las variables ocultas.
Próximamente · Lección 108
El teorema de Bayes invierte una condición
Derivar el teorema de Bayes e identificar el anterior, la probabilidad, la evidencia y posterior.
Próximamente · Lección 109
Las tasas básicas cambian lo que significa una alerta modelo
Explique por qué la sensibilidad por sí sola no determina la probabilidad posterior.
Próximamente · Lección 110
La expectativa es un promedio ponderado por probabilidad
Calcule las expectativas de las variables discretas e interprete el análogo continuo.
Próximamente · Lección 111
Medidas de variación repartidas en torno a la expectativa
Computa la variación y la desviación estándar y distingue la escala del sesgo.
Próximamente · Lección 112
Movimiento conjunto de las pistas de covarianza
Computa la covarianza e interpreta el signo sin reclamar causalidad.
Próximamente · Lección 113
Las matrices de covarianza resumen muchas características
Construye una matriz de covarianza y explique las entradas de simetría y diagonal.
Próximamente · Lección 114
La independencia es más fuerte que la covarianza cero
Prueba la independencia y produzca un contraejemplo dependiente de la covariancia cero.
Próximamente · Lección 115
Las estimaciones empíricas obtienen estadísticas de las muestras
Estimar la media y la variación y distinguir la población de las cantidades de muestra.
Próximamente · Lección 116
Las distribuciones gaussianas vinculan la ubicación y la escala
Lea la densidad gaussiana y pronostica los efectos de la media y la variación.
Próximamente · Lección 117
La estandarización crea coordenadas comparables
Estandarizar valores e interpretar z-scores sin asumir la normalidad.
Próximamente · Lección 118
Los Gaussianos multivariados forman la incertidumbre con la covarianza
Interpretar vectores medios, matrices de covarianza y ellipses de densidad.
Próximamente · Lección 119
Condiciones y margenas de Gaussian
Extraer el comportamiento marginal y condicional de Gaussian.
Próximamente · Lección 120
El muestreo correlacionó Gaussians con Cholesky
Transformar el ruido estándar en muestras con una covarianza objetivo.
Próximamente · Lección 121
Las familias exponenciales comparten una forma común
Identificar los parámetros naturales, estadísticas suficientes y normalización conceptualmente.
Próximamente · Lección 122
Los antecedentes conjugados hacen que las actualizaciones bayesianas sean tratables
Explica la conjugación y actualiza un modelo Beta-Bernoulli.
Próximamente · Lección 123
Probabilidad máxima de conexión de los datos observados con los parámetros
Construir y optimizar una simple probabilidad y log-probabilidad.
Próximamente · Lección 124
El cambio de variables transforma las densidades
Transformar una densidad y explicar la corrección determinante jacobiana.
Próximamente · Lección 125
El muestreo de transformación inversa convierte el ruido uniforme en datos
Generar muestras con un CDF inverso y verificar su distribución.
Próximamente · Lección 126
Probabilidad en una línea de clasificadores
Conecta probabilidades, antecedentes, exteriores, preguntas de calibración y incertidumbre de evaluación.
Lecciones 127–142
Optimización continua
Próximamente · Lección 127
Las funciones objetivas convierten el aprendizaje en búsqueda
Definir un objetivo, parámetros y conjunto viable y distinguir la minimización de la evaluación.
Próximamente · Lección 128
Descenso gradual siguiendo la información local de descenso
Derivar la actualización del gradiente negativo y ejecutar los pasos a mano.
Próximamente · Lección 129
Las tasas de aprendizaje controlan el tamaño del paso
Prevé la convergencia, la oscilación y la divergencia a medida que cambia el tamaño del paso.
Próximamente · Lección 130
Los paisajes perdidos contienen valles, mesetas y sillas
Identificar las características del paisaje y su efecto sobre las actualizaciones de primer orden.
Próximamente · Lección 131
Los gradientes estocásticos intercambian ruido por velocidad
Comparar las estimaciones de los gradientes de lote, mini lote y estocástico.
Próximamente · Lección 132
El impulso acumula una velocidad
Ejecutar actualizaciones de impulso y explicar el amortiguación en valles estrechos.
Próximamente · Lección 133
Los optimizadores adaptativos vuelven a escalar las actualizaciones de coordenadas
Explique los momentos en movimiento y la escalación de las coordenadas sin tratar a Adán como magia.
Próximamente · Lección 134
La optimización limitada separa objetivos y reglas
Las limitaciones de igualdad de Estado y la distinción de los contornos objetivos de los puntos viables.
Próximamente · Lección 135
Los multiplicadores de lagranza equilibrarán el objetivo y la restricción
Derivar la estacionalidad para una limitación de igualdad e interpretar la alineación de gradientes.
Próximamente · Lección 136
La regularización puede actuar como una limitación suave
Relacionar las sanciones a las soluciones restringidas al tiempo que se indican las condiciones de equivalencia.
Próximamente · Lección 137
Los conjuntos convexos contienen las líneas entre los puntos
Prueba de la convexidad de conjuntos simples utilizando segmentos de línea.
Próximamente · Lección 138
Las funciones convexas no tienen mínimos locales malos
Aplicar pruebas geométricas y de Hessian para la convexidad.
Próximamente · Lección 139
Convexidad da certificados de optimización
Explique por qué las condiciones de primer orden pueden certificar una solución global.
Próximamente · Lección 140
Optimización en PyTorch sin caja negra
Escriba un ciclo de entrenamiento explícito e inspeccione los gradientes y las actualizaciones.
Próximamente · Lección 141
Debugging de entrenamiento con señales matemáticas
Diagnóstico de pérdida, norma de gradiente, relación de actualización, y pistas de curvatura sin reclamar en exceso.
Próximamente · Lección 142
Diseñar un optimizador para un modelo de juguete
Seleccione una regla de actualización, tasa de aprendizaje, restricción o penalización, y detener la evidencia.
Lecciones 143–151
Modelos y datos
Próximamente · Lección 143
Los datos, los modelos y las reglas de aprendizaje desempeñan diferentes funciones
Separar las observaciones, hipótesis, parámetros, predicciones y reglas apropiadas.
Próximamente · Lección 144
El aprendizaje supervisado se aproxima a un mapa desconocido
Expresar datos supervisados y una función de predicción con una indexación correcta.
Próximamente · Lección 145
El riesgo empírico convierte los ejemplos en un objetivo
Derivar el riesgo empírico de la pérdida por ejemplo y distinguirlo del riesgo poblacional.
Próximamente · Lección 146
Las funciones de pérdida codifican qué errores importan
Comparar las pérdidas cuadradas, absolutas y de clasificación por consecuencia y gradiente.
Próximamente · Lección 147
La estimación de parámetros conecta probabilidad y optimización
Enmarcar la probabilidad máxima y el MAP como problemas de optimización.
Próximamente · Lección 148
El modelado probabilístico especifica una historia generativa
Factor una distribución conjunta simple y distinguir los parámetros de las variables latentes.
Próximamente · Lección 149
La inferencia pregunta sobre las cantidades ocultas
Indique una consulta de inferencia y identifique lo que debe ser condicionado o marginado.
Próximamente · Lección 150
Los gráficos dirigidos codifican la estructura condicional
Lea un modelo gráfico dirigido y escriba su factorization conjunta.
Próximamente · Lección 151
Saldos de selección de modelos de ajuste y complejidad
Distinguir entre el entrenamiento adecuado, la elección de validación y la evidencia probabilística.
Lecciones 152–159
Regresión lineal
Próximamente · Lección 152
Las características de los mapas de regresión lineal a los objetivos numéricos
Escriba formas escalares y matrices de regresión lineal y dimensiones de pista.
Próximamente · Lección 153
Estimación de cuadrados mínimos a partir de la geometría de proyección
Derivar el estimador de cuadrados mínimos e interpretar la ortogonalidad residual.
Próximamente · Lección 154
La probabilidad máxima explica el error cuadrado bajo el ruido gaussiano
Derivar la regresión de error cuadrado de una probabilidad gaussiana y suposiciones de estado.
Próximamente · Lección 155
Control de regresión regularizado pesos inestables
Derivar la regresión de la cresta y conectar la pena con el condicionamiento y el sesgo.
Próximamente · Lección 156
La regresión lineal bayesiana pone una distribución en los pesos
Actualice un Gaussian anterior en un parámetro posterior.
Próximamente · Lección 157
La incertidumbre predictiva posterior varía según la entrada
El ruido de observación separado de la incertidumbre de parámetros en las predicciones.
Próximamente · Lección 158
Implementación y diagnóstico de la regresión lineal
Implementar instalaciones estables e inspeccionar residuos, acondicionamiento e incertidumbre.
Próximamente · Lección 159
Cuando un modelo lineal es la línea de base correcta
Decidir cuándo la interpretabilidad y los límites de datos favorecen la regresión lineal e identificar los modos de falla.
Lecciones 160–167
Análisis de componentes principales
Próximamente · Lección 160
La reducción de dimensiones conserva la estructura seleccionada
Indique cuál es la reducción que mantiene, qué es lo que elimina y por qué es importante el criterio.
Próximamente · Lección 161
PCA encuentra direcciones de mayor variación
Derivar la primera dirección principal de los propios vectores de covarianza.
Próximamente · Lección 162
El PCA también es una proyección de error mínimo
Conecte la varianza máxima y el error mínimo de reconstrucción.
Próximamente · Lección 163
El SVD calcula el PCA sin formar covarianza
Relacionar SVD de datos centrados a los propios vectores de covarianza y valores singulares.
Próximamente · Lección 164
PCA en datos de IA de alta dimensión
Elige una ruta de cálculo cuando las características superen en número a las muestras e interprete el rango efectivo.
Próximamente · Lección 165
PCA práctica: centrar, escalar y elegir componentes
Construir una tubería de PCA segura de fugas y elegir componentes utilizando pruebas.
Próximamente · Lección 166
El PCA probabilístico introduce variables latentes
Interpretar el PCA como un modelo generativo de variables latentes con ruido.
Próximamente · Lección 167
PCA para la inspección de incorporación, con advertencias
Utilice PCA para la inspección sin tratar una parcela 2D como evidencia completa.
Lecciones 168–173
Modelos de mezcla gaussiana
Próximamente · Lección 168
Mezcla datos de modelos con múltiples grupos superpuestos
Escriba una densidad de la mezcla y distingue los componentes de los grupos observados.
Próximamente · Lección 169
Las asignaciones latentes convierten mezclas en un modelo de variable oculta
Introducir los indicadores de componentes latentes y las responsabilidades de cálculo conceptualmente.
Próximamente · Lección 170
Parámetros desconocidos de probabilidad de mezcla
Construir la probabilidad de GMM y explicar por qué la maximización directa es difícil.
Próximamente · Lección 171
Expectativa maximización alterna inferencia y ajuste
Ejecutar los pasos E y M e identificar lo que cada uno mantiene fijo.
Próximamente · Lección 172
Implementar un GMM y observar la convergencia de EM
Implementar responsabilidades estable en el registro y monitorear la probabilidad.
Próximamente · Lección 173
Modo de falla de GMM y selección del modelo
Diagnóstico de sensibilidad a la inicialización, covarianza singular y conteo de componentes incorrecto.
Lecciones 174–180
Máquinas de vectores de soporte
Próximamente · Lección 174
Los hiperplanos convierten los productos de puntos en límites de decisión
Escriba un hiperplano separador e interprete su vector normal y sesgo.
Próximamente · Lección 175
Las medidas de margen robustez de la clasificación
Derivar la distancia punto a hiperplano e identificar vectores de soporte.
Próximamente · Lección 176
El SVM primario equilibra los errores de margen y clasificación
Formular objetivos de márgenes duros y blandos e interpretar las variables de vacillado.
Próximamente · Lección 177
Los ejemplos de formación de los centros de gestión dual
Siga la ruta Lagrangiana hasta una representación doble y lea los coeficientes de vectores de apoyo.
Próximamente · Lección 178
Los núcleos crean límites no lineales a través de productos internos
Explica el truco del núcleo y prueba la intuición básica del núcleo sin pretender que un mapa de características explícito siempre sea conocido.
Próximamente · Lección 179
Formación y diagnóstico de un SVM
Entrenar SVM lineal y del núcleo y diagnosticar efectos de escala, penalización y ancho del núcleo.
Próximamente · Lección 180
Desde las bases matemáticas hasta los modelos ML
Rastrear cómo el álgebra, la geometría, el cálculo, la probabilidad y la optimización determinan conjuntamente el comportamiento del modelo.
Más allá de la secuencia
Matemáticas para IA complementarias
Escalado de temperatura y ECE: calibra la confianza del modelo paso a paso
Trabaja con softmax, ajusta una temperatura sobre seis predicciones, calcula el ECE y descubre por qué una mejor verosimilitud aún puede producir una peor puntuación de calibración agrupada.
La transferencia de caché KV entre modelos es rápida y sorprendentemente específica de cada pareja
Investigadores de NVIDIA informan de una aceleración de 25× a nivel de componente para una asignación de caché KV, mientras que otras parejas de modelos perdieron gran parte de la exactitud de tarea del modelo objetivo.
AlphaEvolve redujo el exponente de la multiplicación de matrices, no tu factura de GPU
AlphaEvolve ayudó a reducir la mejor cota superior conocida del exponente de multiplicación de matrices. Descubre qué cambió, cómo se certificó y por qué no acelerará las GPU actuales.
De vectores a embeddings: la geometría que hay detrás de la similitud
Construye una comprensión intuitiva de los vectores, los productos escalares, la similitud coseno y por qué los embeddings convierten el significado en geometría.