Анализ и оптимизация
Функции, производни, градиент, градиентно спускане, изпъкналост и математиката на оптимизаторите.
15 урока · около 330 минНОИИIOAIНужно: Линейна алгебра, NumPy
Първо завърши: NumPy: масиви
- 1
Функции и графики
Линейни, квадратни и степенни функции и как изглеждат
20 мин Заключен
- 2
Експонента, логаритъм и сигмоида
Функциите зад softmax, cross-entropy и логистичната регресия
20 мин Заключен
- 3
Граница и непрекъснатост
Какво става с функцията, когато се приближаваме до точка
20 мин Заключен
- 4
Производни
Наклон на допирателна, основни правила и верижно правило
30 мин Заключен
- 5
Правила за диференциране в практиката
Произведение, частно и производни на функциите от машинното обучение
20 мин Заключен
- 6
Верижното правило и изчислителни графи
Как PyTorch смята производни автоматично
25 мин Заключен
- 7
Минимуми и максимуми
Къде производната е 0 и как да разберем дали е минимум
20 мин Заключен
- 8
Частни производни и градиент
Как моделът разбира в коя посока да промени теглата
30 мин Заключен
- 9
Градиентът геометрично
Линии на ниво и посоката на най-бързо изкачване
20 мин Заключен
- 10
Градиентно спускане в детайли
Learning rate, сходимост и кога да спрем
20 мин Заключен
- 11
Изпъкнали функции
Защо някои задачи имат само един минимум
20 мин Заключен
- 12
Числена проверка на градиент
Как да откриеш грешка в ръчно сметнатия градиент
20 мин Заключен
- 13
Интеграл като площ
Площ под графика, вероятности и метриката AUC
20 мин Заключен
- 14
Оптимизация с ограничения
Най-доброто решение, когато не всичко е позволено
20 мин Заключен
- 15
Математиката на SGD, momentum и Adam
Шумни градиенти, експоненциални средни и адаптивни стъпки
25 мин Заключен
Изпит на курса
Отключва се, когато завършиш всички уроци.