Fondements des mathématiques et des statistiques
Vecteurs, matrices, probabilités et dérivées : le langage de l’IA
OVERVIEW
- Tous les concepts
- 6
- Débutant
- 3
- Intermédiaire
- 2
- Expert
- 1
Every model ultimately reduces to operations on vectors and matrices, and every act of “learning” is ultimately the reduction of a loss along a gradient. This domain does not aim for a mathematician’s completeness; it selects only what is needed to understand AI: linear algebra gives data and weights their shape, probability gives uncertainty its measure, and calculus gives improvement its direction.
Les questions auxquelles ce domaine répond
- Q1
Why can data be written as a matrix?
- Q2
Which direction does the gradient actually point?
- Q3
Why can softmax be used as a probability?
Entrées de ce domaine
- 01Vecteurs et espaces vectorielsDébutantL’IA transforme tout — mots, images, sons, utilisateurs — en une liste de nombres
- 02Gradient et descente de gradientDébutantTout l’apprentissage profond se résume à une chose : faire un petit pas vers le bas
- 03Opérations matricielles et applications linéairesIntermédiaireMultiplier des matrices n’est pas une suite de produits et de sommes : c’est réécrire tout un espace d’un coup
- 04Probabilités et distributionsDébutantUn modèle ne fournit pas une réponse, mais un degré de croyance pour chaque réponse possible
- 05Théorème de BayesIntermédiaireCroire un peu, voir la preuve, corriger un peu : voilà Bayes
- 06Entropie et théorie de l’informationExpertPlus une phrase est surprenante, plus elle porte d’information ; et la fonction de perte d’un modèle de langage mesure précisément cette surprise