Դաս 38 | Վիճակագրություն․ Հիմնարար գաղափարներ | Մաթեմատիկա ML-ի համար скачать в хорошем качестве

Դաս 38 | Վիճակագրություն․ Հիմնարար գաղափարներ | Մաթեմատիկա ML-ի համար

🔗 Դասընթացին միանալու հղումը՝ https://t.me/metric_academy 📚 Նյութը՝ ToDo ⏳ Թեմաներ՝ 00:00 Պլանը 03:04 Վիճակ․ vs Հավ․ տես․ 06:38 Հիմնական տերմիններ 11:28 Օրինակի վրա ֆիքսենք ով ում բարեկամն ա 14:02 I.I.D. ենթադրություն 18:32 Survival bias 27:12 Էմպրիկի CDF, sample mean/variance 32:03 Loss ֆունկցիաներ 36:22 Միջին vs Մեդիան 38:26 Հարց․ ՄԼ-ում կիրառելի սխալանք 40:15 Հարց․ Միջինի հետ ի՞նչ եղավ որ 8-ը դարձրեցինք 100 43:17 Էմպրիկի ռիսկի մինիմիզացիա (ERM) 47:10 Հարց․ ERM-ի կրկնություն 49:39 Հարց․ Ո՞նց հասկանալ սխալանքը կարա՞նք իջացնենք էլի (Chinchilla scaling laws) 📌 Նկարագիր Բարի գալուստ վիճակագրություն 1. Նախ քննարկում ենք թե ինչ ֆունդամենտալ տարբերություն կա հավ տես անելիս մեր իրավիճակի ու ներկա իրավիճակի միջև 2. Սահմանում ենք հիմնական տերմինները՝ population, sample, estimator ... 3. Խոսում ենք անկախ ու միատեսակ բաշխված լինելու ենթադրությունից՝ I. I. D. 4. Քննարկում ենք Survival bias-ը ու թե ինչի ենք մտածում որ Սովետի վախտով ավելի լավ որակի տեխնիկա էին արտադրում՝ հենա արդեն քանի տարի ա աշխատում ա հարևանի հեռուստացույցը 5. Խոսում ենք արդեն sample-ի դեպքում ունեցած՝ բաշխման ֆունկցիայից, միջինից, վարիացիայից ․․․ 6. Ծանոթանում ենք թե ոնց հասկանալ ինչքան լավն ա մեր գնահատականը սխալանքի/կորստի (loss) ֆունկցիայի շնորհիվ 7. Հիմա մի կետի սխալանքից անցնում ենք ամբողջ բաշխման/data set-ի դեպքին ու սահմանում թե ինչ ա Ռիսկը 8. Խոսում ենք թե ոնց ՄԼ-ի հիմնական խնդիրը Էմպրիկի ռիսկի մինիմիզացիան ու նաև հետագայում ծածկվելիք՝ MLE-ն ու KL divergence-ը իրականում նույն բանն են ուղղակի տարբեր շորերով 9. Թեթև անդրադարձ ենք անում Chinchilla Scaling Law-երին (մոդելավորել թե ինչ կլինի ռիսկի հետ եթե տվյալների/պարամետրների քանակը մեծացնենք) #machinelearning #artificialintelligence #datascience #maths #probability #հավտես #հավանականությունների #մեքենայական_ուսուցում #մաթեմատիկա