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

Описание: 🔗 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