Fundamentos de matemática e estatística
Vetores, matrizes, probabilidade e derivadas: a linguagem da IA
OVERVIEW
- Todos os conceitos
- 6
- Iniciante
- 3
- Intermediário
- 2
- Especialista
- 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.
Perguntas que este domínio responde
- 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?
Entradas deste domínio
- 01Vetores e espaços vetoriaisInicianteA IA transforma tudo — palavras, imagens, sons — em uma lista de números
- 02Gradiente e descida do gradienteInicianteTodo o aprendizado profundo se resume a uma coisa: dar um pequeno passo ladeira abaixo
- 03Operações matriciais e transformações linearesIntermediárioMultiplicar matrizes não é uma porção de multiplicações e somas: é reescrever todo um espaço de uma só vez
- 04Probabilidade e distribuiçõesInicianteUm modelo nunca entrega uma resposta; entrega um grau de crença sobre cada resposta possível
- 05Teorema de BayesIntermediárioAcredite um pouco, veja a evidência, corrija um pouco — isso é Bayes
- 06Entropia e teoria da informaçãoEspecialistaQuanto mais surpreendente a frase, mais informação ela carrega; e a função de perda de um modelo de linguagem mede exatamente essa surpresa