Изнутри AI Объяснение линейного дискриминантного анализа Интуиция, иллюстрации и математика: чем это больше, чем просто инструмент уменьшения размеров и почему он надежен для реальных приложений. Ключевые выводы Линейный дискриминантный анализ - это не только инструмент уменьшения размерности, но и надежный метод классификации. С предположением нормальности данных или без него мы можем получить те же функции LDA, что объясняет его надежность. Линейный дискриминантный..

Внутри ИИ Линейная регрессия: функция гипотез, функция стоимости и градиентный спуск - все, что вам нужно знать! Математика и теория, лежащие в основе самой известной техники контролируемого обучения В этой статье вы узнаете все о технике линейной регрессии, используемой в контролируемом обучении. Вы изучите теорию и математику, лежащие в основе функции стоимости и градиентного спуска. После этого вы также реализуете масштабирование функций для быстрого получения результатов и,..

подзаголовок здесь Набор данных Kannada MNIST - отличная недавняя работа ( подробности здесь ), и я рад, что он также стал общедоступным. Я уверен, что очень скоро сообщество здесь опубликует современные цифры точности в этом наборе данных. Вот почему я делаю что-то другое. Вместо этого мы попытаемся визуализировать, попытаться увидеть то, что видит модель, оценивать вещи попиксельно. Наша цель - интерпретируемость. В этой статье я начну с «простейшего», самого легкого для..

Внутри ИИ X-AI, черные ящики и хрустальные шары Дорога к надежному ИИ На нашем пути к надежному ИИ я обсуждал в своем предыдущем блоге вопрос о предвзятости, о том, как она передается от людей к машинам, как ее усиливают приложениями ИИ, о последствиях в реальном мире для отдельных лиц и предприятий и важность проактивного решения этой проблемы. Сегодня я затрону вопрос объяснимости и прозрачности так называемых моделей черного ящика . Выбор между объяснимостью и точностью?..