Этот микроскоп, созданный по образцу физических моделей, раскрывает скрытую геометрию нейронной с... скачать в хорошем качестве

Этот микроскоп, созданный по образцу физических моделей, раскрывает скрытую геометрию нейронной с...

🔗 Код для многомерного микроскопа + расшифровка видео: https://compu-flair.com/physics-inspi... 🎲 Бесплатный курс по машинному обучению: https://compu-flair.com/physics-inspi... 🚀 Подайте заявку на наш буткемп: https://compu-flair.com/bootcamp В этом видео доктор Ардаван (Ахмад) Борзу представляет новый способ визуализации многомерных ландшафтов — объектов, лежащих в основе как современной физики, так и машинного обучения, но обычно недоступных человеческой интуиции. Он представляет «высокоразмерный микроскоп», позволяющий одновременно наблюдать всю структуру функции потерь или ландшафта свободной энергии, без разрезания, проецирования или сведения задачи к упрощенным размерам. Используя понятную физическую интуицию и простые математические рассуждения, видео объясняет, почему традиционные методы построения графиков принципиально не работают за пределами двух измерений, и как переосмысление переменных в качестве меток позволяет визуализировать данные в пространствах произвольной многомерности. На ряде конкретных примеров микроскоп выявляет глобальную структуру, ложные минимумы, плоские области и истинные оптимумы, которые иначе невозможно увидеть. Все идеи реализованы в доступном коде на языке Python, что позволяет зрителям воспроизвести результаты. 📺 Разделы 00:00 — Введение: Микроскоп 00:33 — Код на Python для воспроизведения результатов 00:47 — Интересующие ландшафты: Функция потерь и свободная энергия 01:46 — БЕСПЛАТНЫЕ курсы по машинному обучению 02:28 — Почему визуализация важна в физике и машинном обучении 04:20 — Свободная энергия и вероятностные ландшафты 05:31 — Почему традиционные методы построения графиков не работают в многомерном пространстве 07:09 — Переосмысление значения «визуализации» 08:59 — Пример I: Ландшафт с одним параметром 10:47 — Пример II: Ландшафт с двумя параметрами 11:41 — Пример III: Когда традиционная визуализация терпит неудачу 12:48 — Пример IV: Ландшафты потерь нейронных сетей 14:15 — 7D-форма «мексиканской шляпы» функции потерь нейронных сетей