Aljabar Linear dalam Jaringan Saraf Kecil
Telusuri setiap bentuk, bias, aktivasi, dan perubahan rank pada jaringan dua lapis melalui contoh NumPy dan penjelajah interaktif.
Kategori
Aljabar Linear
30artikeldalam kategori ini.
Ruang afin menjelaskan bias dan batas keputusan
Lihat bagaimana translasi menggeser garis tanpa mengubah arahnya, dan mengapa bias pada lapisan neural dapat memindahkan batas klasifikasi menjauhi titik asal.
Kernel dan Image Menunjukkan Informasi yang Hilang dan Jangkauan Lapisan Linear
Gunakan kernel dan image matriks untuk mengenali arah input yang dibuang, output yang dapat dicapai, serta batas rank pada proyeksi yang dipelajari.
Matriks Merepresentasikan Pemetaan Linear
Pelajari mengapa vektor basis hasil transformasi menjadi kolom matriks, cara merekonstruksi pemetaan dari respons basis, dan cara menghindari kekeliruan baris-versus-kolom pada bobot model.
Pemetaan Linear Mempertahankan Kombinasi yang Dibutuhkan Model AI
Uji apakah transformasi mempertahankan penjumlahan dan penskalaan, sebutkan ruang masukan dan keluarannya, serta bedakan lapisan neural dari fungsi aktivasinya.
Rank Matriks Menghitung Informasi Independen dalam Fitur AI
Hitung rank matriks dari pivot atau fitur, hubungkan sudut pandang baris dan kolom, lalu gunakan nilai singular untuk menemukan fitur data yang redundan.
Dimensi Menghitung Arah-Arah yang Independen
Bedakan jumlah koordinat embedding dari jumlah sampel, lalu pelajari mengapa bentuk matriks saja tidak memberi tahu berapa banyak arah independen yang direntang vektornya.
Basis Memberi Vektor AI Sistem Koordinat yang Dapat Dibalik
Uji apakah vektor membentuk basis, hitung koordinat dalam kerangka baru, dan lihat bagaimana model linear mempertahankan skor yang sama setelah perubahan yang diselaraskan.
Span: Prediksi yang Dapat Dicapai Model Linear
Gunakan span vektor untuk mengenali semua prediksi yang dapat dihasilkan model linear dari kolom fiturnya, lalu uji apakah suatu target tidak mungkin diekspresikan.
Kebebasan Linear Menghilangkan Redundansi pada Fitur AI
Gunakan persamaan koefisien untuk menemukan arah fitur yang berulang, uji kebebasan linear secara manual, dan periksa matriks fitur dengan NumPy.
Subruang untuk AI: Menguji Keluarga Fitur Terbatas
Pelajari uji subruang, buktikan bahwa bidang tertutup terhadap operasi vektor, dan gunakan NumPy untuk memeriksa arah representasi berdimensi lebih rendah.
Ruang Vektor: Uji Apakah Representasi AI Memenuhi Aturan
Uji vektor nol, ketertutupan penjumlahan, dan perkalian skalar, lalu gunakan embedding ternormalisasi sebagai contoh tandingan yang membedakan himpunan representasi yang berguna dari ruang vektor.
Group, Ring, dan Field: Mengapa Operasi AI Membutuhkan Aturan
Pelajari bagaimana closure, invers, dan distributivitas menentukan operasi tensor yang sah, lalu uji gagasan tersebut dengan NumPy.
Penyelesaian Numerik untuk AI: Gunakan solve Tanpa Invers Eksplisit
Selesaikan sistem pemulihan parameter AI dengan NumPy, lalu gunakan residual, bilangan kondisi, dan pemeriksaan singularitas untuk menilai apakah jawabannya dapat dipercaya.
Bentuk Eselon Baris Mengungkap Fitur AI yang Redundan
Gunakan pivot, variabel bebas, dan bentuk eselon baris untuk mendiagnosis fitur redundan serta parameter model yang tidak unik dalam matriks desain kecil.
Eliminasi Gauss Mempertahankan Himpunan Solusi
Pulihkan parameter model dari sistem dengan pivot nol, lalu implementasikan operasi baris yang aman dan pemeriksaan residual di NumPy.
Transformasi Identitas dan Invers: Membalik Pemetaan Fitur
Gunakan matriks identitas dan invers kecil untuk membalik transformasi fitur 2D, mendeteksi kasus yang tidak aman, serta memahami mengapa solve lebih baik daripada invers eksplisit.
Transpose untuk AI: Mengubah Orientasi Relasi Token dan Fitur
Transpose sebuah matriks, prediksi bentuknya, dan beralih dengan aman antara tampilan token-per-fitur dan fitur-per-token tanpa kehilangan nilai dasarnya.
Perkalian Matriks-Matriks untuk AI: Menyusun Transformasi dan Batch
Periksa bentuk matriks, hitung perkalian matriks kecil, lalu baca kontraksi yang sama sebagai pemetaan tersusun atau perhitungan lapisan padat secara batch.
Hasil Kali Matriks-Vektor untuk AI: Dua Sudut Pandang atas Perhitungan Lapisan Dense
Hitung hasil kali matriks dan vektor menurut baris serta kolom, terapkan keduanya di NumPy, dan periksa kesalahan bentuk serta operator pada lapisan dense.
Matriks untuk AI: Membaca Baris, Kolom, dan Bentuk Jaringan Saraf
Pelajari cara membaca dimensi dan elemen matriks, memetakan baris dan kolom ke peran lapisan padat, serta menemukan kesalahan bentuk atau indeks di NumPy.
Kombinasi Linear untuk AI: Bagaimana Vektor Berbobot Membentuk Representasi Baru
Skalakan dan gabungkan vektor, periksa setiap koordinat dengan NumPy, dan lihat mengapa keluaran attention adalah bentuk khusus representasi berbobot.
Perkalian Skalar untuk AI: Memperbesar, Memperkecil, atau Membalik Vektor
Skalakan vektor per koordinat, prediksi arah dan magnitudo, lalu hubungkan operasi yang sama dengan embedding, laju pembelajaran, dan NumPy.
Penjumlahan Vektor untuk AI: Cara Pembaruan Residual Menggabungkan Sinyal
Pelajari penjumlahan vektor komponen demi komponen, jelajahi geometri jajaran genjangnya, dan temukan kesalahan bentuk, broadcasting, serta penyelarasan fitur di NumPy.
Vektor sebagai Data AI: Bagaimana Fitur Mengubah Dokumen Menjadi Angka
Pelajari cara membaca vektor baris dan kolom, membuat vektor fitur dokumen secara manual dan dengan NumPy, serta menemukan kesalahan bentuk atau urutan fitur.
Tidak ada solusi, satu solusi, atau banyak solusi
Pelajari cara mengklasifikasikan sistem linear dua variabel, menghubungkan setiap jumlah solusi dengan keteridentifikasian parameter, serta menangani data yang bertentangan atau berulang.
Dua Observasi, Satu Pasang Parameter: Sistem Persamaan untuk AI
Pahami sistem sebagai kendala simultan, klasifikasikan perpotongan dua garis, dan pulihkan bobot serta bias model afin dari dua observasi.
Persamaan Linear untuk AI: Mengubah Satu Rumus Menjadi Garis Geometris
Pelajari bagaimana satu persamaan linear dua variabel menjadi garis, uji titik-titiknya, tangani kasus vertikal, dan baca kontur skor pengklasifikasi linear.
AlphaEvolve Menurunkan Eksponen Perkalian Matriks—Bukan Tagihan GPU Anda
AlphaEvolve membantu menurunkan batas atas eksponen perkalian matriks terbaik yang diketahui. Pelajari apa yang berubah, bagaimana hasilnya disertifikasi, dan mengapa ini tidak akan mempercepat GPU saat ini.
Dari Vektor ke Embedding: Geometri di Balik Kemiripan
Bangun pemahaman intuitif tentang vektor, dot product, kemiripan kosinus, dan mengapa embedding mengubah makna menjadi geometri.