المدمنون من المنزل حسنًا ، لذا فنحن نضاعف حالة المعلمات لدينا ثيتا 3 ثيتا 2 ثيتا 1320 × 3 × 2 × 1 × 0 بطاطس هي الأشياء التي تكون exes هي السمات الفعلية لمنزل معين ، لذا فهي 3 * × 3 SATA 2 * x 2 Theta 1 * x 1 ثم بقيت معامل التحيز الصفري xx 0 كل جدول بيانات Rohner كل عمود في هذا الصف ، كل شيء في SATA Vector يضربه ثم خارج تلك الحلقة هو إضافة هؤلاء معًا ثم خارج تلك الحلقة تكون لتقليلها جميعًا معًا إلى تداخل ثلاثي لا بأس به ، لذلك لا بأس ، يمكننا فعل ذلك ولكن ماذا لو كان جدول البيانات لدينا يحتوي على مليون وردة و 50 عمودًا جيدًا ، وكما سترى بمجرد أن ندخل في التعلم العميق ، فسوف تتضاعف المصفوفات والناقلات في كل خلية عصبية وقد يكون لديك مائة أو ألف خلية عصبية ، لذا قد لا يكون لديك خيار حيث يأتي الجبر الخطي في الجبر الخطي يقوم بنفس الشيء بالضبط ولكن مع عملية واحدة الجبر الخطي هو دراسة جبر المصفوفة كيف يمكنك مول نصيحة: مصفوفة جدول البيانات الخاص بك من الصفوف والأعمدة أو المنازل بواسطة متجه من Fate قد ضاعفها مرة واحدة FAMU فقط ضاعفت العملية هذه الجبر المصفوفة على جهازك كما ستجد أنه لم يتم إجراء حلقة لاحقة عن طريق شيء يسمى EMG single تعليمات متعددة البيانات تسمح لك بضرب مصفوفة في مصفوفة أو مصفوفة بواسطة متجه بواحد Fell Swoop ، من الواضح أنه يوفر لك الكثير من الوقت وأن أصدقائي هم الجبر الخطي ، إنه مجرد مضاعفة المصفوفة ، دعني أقدم لك الكلمة هي موتر موتر موتر وهي الكلمة العامة لأي قائمة أبعاد للأشياء على ما يرام ، لذا كان لدينا متجه حالة المعلمات التي يكون المتجه كذلك يفعل الموتر أحادي البعد مصفوفة وهي صفوف جدول البيانات والأعمدة × 3 × 2 × 1 × 0 حسنًا ، ثم الصف التالي هو X 2 × 380 موتر ثنائي الأبعاد أو مصفوفة قد يكون لديك مكعب في حالة وجود صفوف وأعمدة بكسل وأي بكسل فردي له قيم RGB أحمر أخضر وأزرق القيم في أي مكان رهان نحن من 3 عناصر ، لذلك هذا موتر ثلاثي الأبعاد وسنطلق عليه اسم Cube وأعتقد أنني سميت للتو موترًا ثلاثي الأبعاد ، لذا فإن الموتر هو الكلمة العامة للباسطة ذات البعد صفر هو مجرد رقم ، لذا فإن الرقم واحد أو اثنين يحتفظ بـ احترس من ذلك لأنك سترى أن إطار العمل الأكثر شيوعًا للتعلم الآلي الذي وضعته Google والذي سنناقشه باللغات وإطار الجبر بسيط ما يمكنك فعله باستخدام الجبر الخطي أو بدونه ولكن يساعد الجبر الخطي في جعله سريعًا ومتجهًا وسهل التفكير ، لذلك أحب أن أفكر في حساسية الطهي لدي ، أحب التفكير في الجبر الخطي حقًا سيجلس شخص ما معك ليوضح لك كيفية تقطيع الخضار نقطة في عملية التعلم الآلي الخطوة التالية هي الجزء الصعب من الإحصائيات ، وهو الجزء الصعب جدًا ، وهو الجزء الأصعب من الرياضيات في ثلاثية التعلم الآلي والإحصاءات في تشبيهنا في الطهي هو كتاب الطبخ ، فهو عبارة عن وصفات ، تأتي جميع الخوارزميات التي نستخدمها في التعلم الآلي من إحصاءات مثل st استنتج القول مرحبًا ، لقد توصلت إلى هذا الانحدار الخطي الأول ، هل هناك صيغة إحصائية للانحدار اللوجستي لإحصائيات Straight Outta ، الآن ننتقل إلى وظائف الخطأ الخاصة بنا ، وهي وظائف مفقودة تعني إحصائيات خطأ تربيعية ، احتمالية تسجيل إحصائيات دالة لنحصل على كتاب الوصفات الخاص بنا وننتقده أسفل الجدول ، نفتح هذه الصفحة 1 ، لذا فإن الوصفة نفسها عبارة عن معادلة إحصائية ، تأكد من أن هذه المعادلات ليست شيئًا لتهز العصا ، أعني أنه إذا نظرت إلى وظيفة خطأ احتمال السجل للانحدار اللوجستي ، فقد كان شيئًا مثل سبب وقت السجل من فرضيتنا - 1 - yx log of 1 - هي فرضيات ثم تضيف في التنظيم الذي لم نتحدث عنه بعد ، إنه مجرد قبيح وشعر إذا كنت تنظر إلى كوينز في إنمان مجنون ، الإحصائيات هي الأجزاء الصعبة التي هو الطبخ ما يجعل الشيف الجيد طاهًا جيدًا هو أن يكون لديه وصفات جيدة وجود كتاب طبخ جيد يعرف كيفية وضع المكونات الصحيحة مع المكونات الأخرى الصحيحة للطهي إنه الجوهر جزء من التعلم الآلي لهذا السبب قلت أن التعلم الآلي يمكن اعتباره إحصائيات تطبيقية وأخيرًا لدينا تدريب خطوة التعلم أو مناسب لعملية التعلم هو حساب التفاضل والتكامل يأخذ مشتق من وظيفتنا المفقودة من أجل معرفة حجم خطوة يجب أن تتخذها كل حالة من المعلمات لإصلاح نفسها ، وهذا كله جزء من Lou يسمى نزول التدرج ، لذا فإن وظيفة الخسارة لدينا هي مساحة معادلة إحصائية بمساحة 440 أو أيًا كان في حلقة الانحدار الخطي التي تحدثنا عنها حول وظيفة الخسارة التي تبدو مثل وعاء ثلاثي الأبعاد في العشب الخاص بك هو أصغر دوللي أو في بعض الأحيان أعلى قمة معلقة في الخوارزمية الخاصة بك ، لذا يبدو الأمر كما لو كنت متجولًا ويوجد ثلج وقد حصلت على حذائك في المستوى الضعيف من خلال أخذ مشتق من وظيفتك فيما يتعلق بطفلك الصغير الرجل في الوظيفة ، لذا بأخذ مشتق الرسم البياني لمطر الشمس الجبلي الخاص بك ، أود أن أرى مقطع فيديو أمامه جيدًا بما يكفي بسبب ضعف الرؤية ويخلق المشتق
Addicted cast of the house okay so we're multiplying state of parameters we have theta 3 Theta 2 Theta 1320 x 3 x 2 x 1 x 0 potatoes are the things exes are the actual features of a specific house so they the 3 * x 3 SATA 2 * x 2 Theta 1 * x 1 and then stayed a zero bias parameter x x 0 every Rohner spreadsheet every column in that row everything in our SATA Vector multiply it and then outside that Loop is to add those together and then outside that Loop is to reduce them all together a triple nested for okay so that's fine we could do that but what if our spreadsheet had a million Rose and 50 columns well that's and as you'll see once we get into deep learning you're going to be multiplying matrices and vectors at every neuron and you may have a hundred or a thousand neurons so you may not an option that's where linear algebra comes in linear algebra is basically doing that exact same thing but with a single operation linear algebra is the study of Matrix algebra it is how can you multiply a matrix your spreadsheet of rows and columns or houses by a vector of Fate has all at once FAMU just multiplied the process is executing this Matrix algebra on your as you'll find it no later episode is done by way of something called EMG single instruction multiple data it allows you to multiply a matrix by a matrix or a matrix by a vector with one Fell Swoop so obviously that saves you tons and tons of time and that my friends is linear algebra it is simply matrix multiplication let me introduce you to word it is tensor tensor tensor that is the general word for any Dimension list of things okay so we had a vector the state of parameters that a vector so does a one-dimensional tensor a matrix which is our spreadsheet rows and columns x 3 x 2 x 1 x 0 okay and then the next row is X 2 X 380 a two-dimensional tensor or a matrix you might have a cube in case of images you have rows and Columns of pixels and any individual pixel has RGB values red green and blue values anywhere between of 3 items so that's a three-dimensional tensor and we'll just call it Cube I think I just called a 3D tensor so tensor is the general word for extensor with Dimension zero is just a number so the number one or two keep an eye out for that because you're going to see that in the flow the most popular machine learning framework put out by Google that we're going to discuss in the languages and frame algebra is simple what you can do with or without linear algebra but linear algebra helps to make it fast and vectorized and easy to reason about so I like to think of in my cooking allergy I like to think of linear algebra really somebody will sit down with you show you how to chop vegetables point in the machine learning process the next step is statistics hard part is very hard part the hardest math of the machine learning triumvirate and statistics in our cooking analogy is the cookbook it is the recipes all the algorithms that we use in machine learning come from statistics like statistics the saying hey I came up with this first linear regression does a statistics formula logistic regression Straight Outta stats textbook now we go to our error functions are lost functions mean squared error stats log likelihood function stats to we grab our recipe book and we slam it down on the table we open this page 1 so the recipe itself is a statistics equation sure enough these equations are nothing to shake a stick at I mean if you look at that log likelihood error function for logistic regression it was something like why time the log of our hypothesis - 1 - y x log of 1 - are hypotheses and then you add in regularization which we haven't talked about yet it's just ugly and hairy if you're looking at Queens in Inman crazy it's statistics statistics is the hard parts that is cooking cooking what makes a good Chef a good Chef is having good recipes having a good cookbook knowing how to put the right ingredients with the right other ingredients of cooking it's the essential piece of machine learning so this is why I said basically machine learning could be considered applied statistics and finally we have our learning step train or fit in learning process is calculus calculus calculus takes the derivative of our lost function in order to know how big of a step each state of parameter needs to take to fix itself and this is all part of the Lou called gradient descent so our loss function which is a statistics equation space 440 space or whatever in the linear regression episode we talked about the loss function looking like a bowl in 3D in your grass smallest dolly or sometimes the highest peak pending on your algorithm so it's like you're a hiker and there's snow and you got your boots in your poor optimal by taking the derivative of your function with respect to your little guy in the function so taking the derivative of your Mountain Rain of sun graph I'd like to see a video well enough in front of him due to poor visibility and the derivative creates this sort of semi-transparent yellow arrow process is called this time so gradient descent is the learning step of our equation using derivatives that's calculus and a cool thing about this is that calculus is pretty easy conceptually understood the way I described it to you there then you understand the intuition taking the derivative of a function proved actually be quite easy in machine learning at least as far as you're concerned as far as implementing these algorithms is concerned a lot of the times when it comes to taking the derivative of a loss function you can AB calculus these rules like the power rule or the chain rule you just memorize these sort of Sparks notes calculus tricks the flick of the wrist in order to get a derivative of loss function so you transform how much of a step to take in which direction now this fits into our cooking analogy very effectively actually it's like putting the tray into the oven setting the Traverse the graph by way of calculus to the bottom of the cup this is a spin-off of calculus called convex optimization in the same way that physics is a spin-off of calculus optimization is a spin-off calculus so you may see when you ask somebody what math do I need to learn for machine learning is a linear algebra statistics calculus and optimization optimization sort of goes hand-in-hand with Calculus stuff and you'll learn them together the specific application of calculus you're learning in the case of machine learning is called optimization is not something you need to go off and learn independently in the beginning this is just something to be aware of just keep an eye out for that word so I want to go over one more time sort of what each branch of mathematics is for independent of machine learning so linear algebra is all about Matrix math or tensor math you want to come up with some sort of probability distribution of the Portland housing market okay it's so that's a sub branch of Statistics called probability you're going to be learning two branches of stat probability inference is the step of making a prediction about a new house as it fits into the market so statistics is all about data and then calculus the field of calculus is all about motion of objects in the physical world sort of physics comes directly from calculus and physics you might put in a video game is all about objects dropping and bouncing and you running into walls and you're walking up and down mountains and stuff like that so that's kind of how in machine learning the learning step is our little. Descending the error slope to the bottom of the valley it's the motion of an object now let's say you end up at some do you want to work at some fancy restaurant maybe open year-round going to go back and you're going to find some books on how to chop vegetables perfect how thin does everything need to be for certain dishes why do certain ingredients prepare effectively what's the theory of ingredients optimal temperature for specific and why is that the case so similarly with machine picking up the details of linear algebra start learning some smoothies more esoteric why the statisticians chose these hypothesis and loss functions for specific models how did they come to these equations so when you learn math after you learn math math first your eyes glaze over because you wouldn't have an appreciation of where these equations are being applied so you don't know what you're looking at and what I see so, as a result of that is that people burn out on math before they get back to machine learning and then they go with their legs tucked between their tail 6 months later back to their prior feel like web development in math after then you start to pay attention to the details of the equations and it's sort of like gas for something and he catches something that people didn't catch before okay so enough of my opinions I'm now going to give you the resources for learning the math either after machine learning or some small percentage while you're learning machine learning or hey if you want to just ignore me and just learn it before machine learning references resources section company called Khan Academy level courses like US history and includes Calculus 1 2 and 3 statistics and linear algebra so you can learn all of your math Basics from Khan Academy I will post links to that in the show notes the next category is textbooks so if you prefer to learn buy textbooks instead of moocs I'll post what I've seen to be commonly recommended from conditions on Coruscant overflow excetera textbooks for statistics linear algebra and calculus all also post PDFs for primers on the basics of the mathematics branches your page PDFs that are primers on just the essentials maybe in calculus just taking derivatives of functions probability Theory and inference so those are three categories different approaches that you could take to math and now I'm going to give you one final category in this is a little bit hard core but I really personally like this the grape
