Современная математика глубокого обучения

Случайное итерационное приближение

Проект с пингвинами

Проект использует 342 записи Palmer с нужными измерениями: 240 для обучения, 102 для проверки. Выбранные примеры для обучения определяют масштабирование и параметры модели. Исходный CSV

Этот проект обучает веса с помощью softmax, в отличие от лаборатории на главной странице, где используются ближайшие средние по видам. Те же измерения пингвинов, но разные методы классификации. Предсказания могут различаться.

Уравнения и случайные процессы · Описывают дифференциальные уравнения и случайные представления.

Уравнения в частных производных и квантовые модели не являются операциями над этими измерениями пингвинов.

Рассмотрите понятие рядом с проектом: предположения источника могут отличаться. Эти наблюдения не доказывают теорему.

Вход: 12 × 2; Проверка на новых данных: 102 · #58 · 40.6 мм, 193 мм. Известный ответ: Адели; Прогноз: Адели · [≈0,7383; ≈0,2444; ≈0,01737].

Используется в разделах источника: 4.3 Когда помогает научное правило

Yₓ — случайная величина со средним g(x). Отображения Tℓ итерационно создают приближение 𝒴ₓ⁽ᴸ⁾; X — случайный вход, а YX использует этот вход.

Это представление превращает приближение функции в приближение случайной итерационной процедуры.

Пример формулы источника

Y_{x}

Иллюстрация · Этот конечный закон и одна итерация иллюстрируют роли; утверждения о сходимости или независимости не устанавливаются.

Обозначения

$Yₓ$: Случайная величина, зависящая от входа x.
$g$: Её математическое ожидание как функция x.
$Tℓ$: Итерационное отображение.
$𝒴ₓ⁽ᴸ⁾$: Приближение за L шагов.
$X$: Случайный вход.
$YX$: Соответствующий случайный выход.

Пример формулы источника

Этот пример использует свои входные данные и предположения. Его изменение не меняет проект.

Измените значение или код и запустите пример. Это конечная иллюстрация, а не доказательство теоремы.

Поток данных в этом примере

Начальные значения в коде

x = 2
outcomes = [1, 3]
probabilities = [0.5, 0.5]
initial = 0

Вычисляется здесь

Выражение результата: { x, outcomes, probabilities, g, initial, approximation: T1(initial) }

g = outcomes.reduce((s, y, i) => s + y * probabilities[i], 0) Использует: outcomes, probabilities

Возвращает

Пример результата

x: 2
outcomes: массив (2 элементов): [1, 3]
probabilities: массив (2 элементов): [0,5, 0,5]
g: 2
initial: 0
approximation: 1

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Числовые значения вымышлены, если не указано значение из источника. Этот конечный закон и одна итерация иллюстрируют роли; утверждения о сходимости или независимости не устанавливаются.

Источник: Обозначение в тексте