В тот момент, когда люди думают о области науки о данных как об общем правиле или о ее явных пространствах, например, о нормальных языковых процессах, искусственном интеллекте или компьютерном зрении, они редко думают о прямой полиномиальной математике. Объяснение, которым часто пренебрегают прямой полиномиальной математикой, заключается в том, что устройства, используемые сегодня для выполнения вычислений в области информатики, эффективно отделяют от всего скрытые математические вычисления, которые заставляют все материализоваться. Чаще всего люди стараются не вникать в математику, основанную на прямых переменных, поскольку это «хлопотно» или «трудно понять». Хотя это в основном очевидно, умение работать с прямой полиномиальной математикой является фундаментальной способностью для исследователей информации и инженеров по ПК.

Вы можете усомниться в моем утверждении, поскольку вы можете выполнять многочисленные расчеты в области ИИ и информатики, не ожидая глубокого погружения в математику. Между прочим, знание математики, лежащей в основе расчетов, дает вам другую точку зрения на эти расчеты и, таким образом, открывает новые входы и приложения для изучения.

Линейная алгебра является центром многих известных расчетов в области информатики. В этой статье я расскажу о трех вариантах использования математики, основанной на прямых переменных, в трех областях информатики. От ИИ мы обсудим способности к несчастным случаям, от нормальной обработки языка, мы обсудим установку слов, наконец, от компьютерного зрения, мы рассмотрим свертку изображений.

AI

На самом деле ИИ является наиболее известным применением искусственного интеллекта (искусственного интеллекта). Основная мысль, стоящая за ИИ, заключается в том, чтобы позволить платформам естественным образом воспринимать и улучшать факт, не подвергаясь недвусмысленной модификации для этого. Возможности искусственного интеллекта за счет создания программ, которые используют информацию (непротиворечивую или обновленную) для анализа, отслеживания проектов и извлечения из них выгоды. Когда проекты находят связи в информации, они применяют эту информацию к новым аранжировкам информации. Вы можете прочитать больше о том, как вычисления выигрывают от этой статьи.

У линейной алгебры есть несколько применений в ИИ, например, возможности несчастных случаев, регуляризация, характеристика опорных векторов и многое другое. Тем не менее, в этой статье мы просто рассмотрим прямую полиномиальную математику в возможностях несчастья.

Функция потери

Способ, которым работают вычисления ИИ, заключается в том, что они собирают информацию, разбивают ее, а затем собирают модель, используя одну из многих методологий (прямой рецидив, стратегический рецидив, дерево выбора, нерегулярные леса и т. д.). Затем, в этот момент, в свете результатов они могут предвидеть будущие информационные запросы. Тем не менее, как вы можете количественно оценить точность вашей модели ожиданий?

Использование прямой полиномиальной математики, в частности, использование способностей несчастья. Работа с несчастными случаями — это метод оценки точности ваших моделей прогнозов. Будет ли он хорошо работать с новыми наборами данных? Если ваша модель полностью отключена, ваша пропускная способность даст большее число. Где, если бы он был приличным, емкость неудачи принесла бы меньшую сумму.

Рецидив показывает связь между зависимой переменной Y и несколькими свободными факторами Xi. После того, как эта связь построена, мы пытаемся провести линию по этим факторам, а затем использовать эту линию, чтобы предвидеть будущие положительные стороны Си. Есть много видов несчастий, некоторые из которых более запутаны, чем другие; тем не менее, наиболее часто используемые два из них - это среднеквадратическая ошибка и средняя откровенная ошибка.

Среднеквадратическая ошибка

Среднеквадратическая ошибка (MSE), вероятно, является наиболее часто используемым подходом к ошибочным ошибкам, простым и эффективным, и в целом отлично справляется с большинством рецидивов. Большинство библиотек Python, используемых в информатике, Numpy, Scikit и TensorFlow, имеют собственное исполнение полезности MSE. Несмотря на это, все они работают при одинаковых условиях.

Где N - количество информативных элементов как в замеченных, так и в ожидаемых качествах.

Этапы определения MSE:

• Установите различие между каждой парой наблюдаемых и ожидаемых качеств.

• Возьмите квадрат различия.

• Сложите квадраты контрастов вместе, чтобы отследить общую ценность.

• Установить нормальную ошибку суммы.