Публикации по теме 'linear-algebra'


Дорожная карта математики для машинного обучения
Математика для машинного обучения охватывает области статистики, вероятности, многомерного исчисления, линейной алгебры, дискретной математики, оптимизации. Это основные из них, необходимые для того, чтобы дать толчок любому новичку. Я следовал этой дорожной карте во время моего последипломного курса Data Science, и это очень помогло мне подготовиться к собеседованиям по машинному обучению. Дорожная карта статистики 1. ОСНОВНАЯ СТАТИСТИКА Типы данных: номинальные, порядковые,..
Простое введение в вещание
Вещание происходит, когда меньший тензор «растягивается», чтобы иметь совместимую форму с большим тензором для выполнения операции. Вещание может быть эффективным способом выполнения тензорных операций без создания дубликатов данных. Согласно PyTorch, тензор является «транслируемым», если: Каждый тензор имеет хотя бы одно измерение При переборе размеров размеров, начиная с конечного размера, размеры размеров должны быть либо равными, либо один из них равен 1, либо один из них..
LINALG — Правило Крамера
Правило Крамера, объясненное геометрически — 3Blue1Brown Что такое правило Крамера? Правило Крамера – это метод, использующий детерминанты для решения систем уравнений , в которых такое же количество уравнений, что и переменных . Предположим, у нас есть такая система уравнений: Мы можем представить это с помощью матриц и векторов. Мы можем начать с определения новой матрицы Aᵢ(b), которую можно получить, заменив столбец iᵗʰ матрицы A вектором b. Правило Крамера:..
Линейная алгебра: блестящий строительный блок машинного обучения
Понятия линейной алгебры с высоты птичьего полета для начинающих, включая читателей, не занимающихся информатикой и не математикой Будущее здесь. Нравится вам это или нет, но машинное обучение (ML) будет иметь огромное значение в определении нашего общего будущего. Способность учиться, несомненно, является одним из отличительных качеств человека, а машинное обучение - это та область компьютерных наук, которая обещает дать эту уникальную способность нашим машинам и программному..
Как использовать разложение по сингулярным значениям для сжатия изображений
И в линейной алгебре, и в численном анализе используется метод матричной факторизации, известный как разложение по сингулярным значениям (SVD). Это мощный инструмент анализа данных, который можно использовать, помимо прочего, в обработке сигналов, статистике и машинном обучении. SVD разлагает матрицу на три матрицы: U, S и V. Исходная матрица A может быть выражена как: где U — матрица размера m x r, S — диагональная матрица размера r x r с неотрицательными вещественными числами,..
Линейная алгебра в науке о данных
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,..
I. Анализ этого «Обязательно к прочтению» по математике в ML
30 минут со мной. Так ли уж важно все это знать? Ресурс сегодня: https://www.cis.upenn.edu/~jean/math-deep.pdf Сегодня мы просто за 30 минут заглянем в главу 1 этого обязательного к прочтению ресурса по математике, связанного с машинным обучением. Это связано с линейной алгеброй . Ниже я делюсь предлагаемым кратким содержанием. На первый взгляд, это определенно многому предстоит научиться. Ниже я попытаюсь разбить мой высокоуровневый анализ по блокам. Блок 1. С..