Публикации по теме 'mathematics'


Новое исследование JWST, часть 4 (Космология)
Идентификация прародителя SN 2022acko с помощью JWST (arXiv) Автор: Шайлер Д. Ван Дайк , К. Азали Бострём , Дженнифер Э. Эндрюс , Йизе Донг , Алексей В. Филиппенко , Ори Д. Фокс , Эмили Хоанг , Гриффин Хоссейнзаде , Дэрил Джанзен , Джейкоб Э. Дженксон , Майкл Дж. Лундквист , Николас Меза , Дэн Милисавлевич , Джениве Пирсон , Дэвид Дж. Санд , Маниша Шреста , Стефано Валенти , Д. Эндрю Хауэлл Аннотация: Мы сообщаем об анализе с использованием космического телескопа..
Линейный дискриминантный анализ — обучайтесь интуитивно : Learning-1
Линейный дискриминантный анализ - обучайтесь интуитивно: обучение-1 Математическая интуиция в LDA Мы знаем PCA , неконтролируемый метод уменьшения размерности, но нам нужен какой-то другой метод, который является контролируемым методом, который разделяет классы и сохраняет разделение классов и сохраняет дисперсию данных. Одним из таких методов является LDA — Линейный дискриминантный анализ , контролируемый метод , обладающий свойством сохранять разделение классов и..
50 математических концепций для лучшего программирования (часть 9)
30. Закон Бенфорда Это наблюдение, за которым следуют многие наборы числовых данных из реальной жизни. В наборах данных, которые следуют закону, первые цифры скорее будут маленькими, чем большими. Например, число 1 появляется как первая значащая цифра примерно в 30% случаев, а 9 появляется как первая значащая цифра менее чем в 5% случаев. Закон Бенфорда применим к удивительно большому количеству наборов данных, включая: цены на акции численность населения уровень смертности..
Изучение теоретических ограничений генеративного ИИ для создания невидимых данных.
Генеративные модели, такие как модели GPT, построенные на основе Transformers или CLIP, включая генеративно-состязательные сети (GAN) и вариационные автоэнкодеры (VAE), работают путем изучения распределения обучающих данных. Они фиксируют базовую структуру и закономерности в данных, что позволяет им генерировать новые точки данных, которые не были замечены в обучающих данных, но по-прежнему принадлежат к тому же распределению. Но задумывались ли вы, как далеко они могут отклоняться от..
Математика для глубокого обучения (часть 3)
В прошлом посте мы видели математическую модель нейрона и один тип нейронной сети: многослойный персептрон (MLP). Я упомянул термин «функция активации», но не показал типы функций активации и не объяснил, как сеть находит наилучшие веса на каждом слое, так что давайте сделаем это! Функции активации Функции активации отвечают за введение нелинейного поведения в нейронную сеть, поэтому они чрезвычайно важны. сигмовидная Сигмоид принимает реальное значение в качестве входных данных..
Узнайте среднее значение, медианное значение и режим в статистике всего за 5 минут
Вы хотите Изучить науку о данных с нуля? Или, если вы планируете начать изучать это, то обязательно встретите эти термины. И многие из вас обычно ищут Что такое средняя медиана и мода в статистике? А также 3 центральные тенденции в статистике и науке о данных, потому что, когда мы изучаем науку о данных или машинное обучение, мы определенно наверняка сталкивались с средними значениями медианы и режима. Эти термины включены в науку о данных и не только в эту область, но и в..
Непрерывные функции
РАСЧЕТ НЕПРЕРЫВНОСТИ СВОЙСТВ ФУНКЦИЙ Непрерывные функции Каким должно быть большинство функций затрат на машинное обучение В предыдущем посте мы представили ограничения, это инструмент, который мы собираемся использовать для проверки локальной непрерывности функций. Существуют некоторые возможные факторы, которые делают нашу функцию не непрерывной. Если f - произвольная функция, это не обязательно верно, что: Непрерывно при определении значения Функция f непрерывна..