- 43
- 351 493
FunInCode
Hong Kong
เข้าร่วมเมื่อ 10 ส.ค. 2021
Funincode TH-cam官方频道
专注数据分析、数理问题的视频创作者
专注数据分析、数理问题的视频创作者
วีดีโอ
【数之道 34】AI芯片设计竟然与这一点密切相关,点积与矩阵计算,CPU/GPU/NPU差异比较
มุมมอง 3.5K2 ปีที่แล้ว
【数之道 34】AI芯片设计竟然与这一点密切相关,点积与矩阵计算,CPU/GPU/NPU差异比较
【数之道 33】熵是什么?通过数理直觉,透彻理解!
มุมมอง 7K2 ปีที่แล้ว
什么是“熵”? 数据科学中的信息熵和热力学中的熵有什么关联? 如何去量化熵地大小? 物理界四大神兽之一的“麦克斯韦恶魔”又是什么? 以上问题你都会在今天的节目中找到答案
【数之道31】使用Excel深度剖析卷积神经网络模型,12分钟理解全部知识点 Convolutional Neural Network By Excel
มุมมอง 6K2 ปีที่แล้ว
【数之道31】使用Excel深度剖析卷积神经网络模型,12分钟理解全部知识点 Convolutional Neural Network By Excel
【数之道 30】隐马尔可夫模型在NLP中的应用 Hidden Markov Model in Natural Language Processing
มุมมอง 1.6K2 ปีที่แล้ว
【数之道 30】隐马尔可夫模型在NLP中的应用 Hidden Markov Model in Natural Language Processing
【数之道29】5分钟理解"隐马尔可夫模型" Understand Hidden Markov Model in 5 minutes
มุมมอง 5K2 ปีที่แล้ว
【数之道29】5分钟理解"隐马尔可夫模型" Understand Hidden Markov Model in 5 minutes
【数之道28】支持向量机SVM最终章-R语言实例分享 SVM in R programming
มุมมอง 1.5K2 ปีที่แล้ว
【数之道28】支持向量机SVM最终章-R语言实例分享 SVM in R programming
【数之道26】SVM支持向量机-核技巧Kernel Trick详解(多项式核函数Polynomial Kernel,无限维度高斯核函数 RBF Kernel)
มุมมอง 4.2K2 ปีที่แล้ว
【数之道26】SVM支持向量机-核技巧Kernel Trick详解(多项式核函数Polynomial Kernel,无限维度高斯核函数 RBF Kernel)
【数之道25】机器学习必经之路-SVM支持向量机的数学精华(KKT条件、拉格朗日乘子法、凸优化可视化解释)
มุมมอง 7K2 ปีที่แล้ว
【数之道25】机器学习必经之路-SVM支持向量机的数学精华(KKT条件、拉格朗日乘子法、凸优化可视化解释)
【数之道】马尔可夫链蒙特卡洛方法是什么?十五分钟理解这个数据科学难点
มุมมอง 10K2 ปีที่แล้ว
本期内容分为4个章节: 1. 从上两期节目中所介绍的逆转换、接受-拒绝抽样方法的局限性出发,引出为什么我们需要设计新的抽样方法 2. 为什么马尔可夫链元素的加入能够有效提升抽样效率,这背后的理论依据又是什么 3. MCMC方法之Metropolis-Hastings算法的设计思路详解 4. 使用R语言对Metropolis算法进行模拟演示
【数之道 20】5分钟理解'马尔可夫链'的遍历性与唯一稳态 Markov Chain's Ergodicity and Stationary Distribution
มุมมอง 5K3 ปีที่แล้ว
【数之道 20】5分钟理解'马尔可夫链'的遍历性与唯一稳态 Markov Chain's Ergodicity and Stationary Distribution
【数之道 18】"马尔可夫链"是什么?了解它只需5分钟!Markov Chain in 5 minutes
มุมมอง 17K3 ปีที่แล้ว
【数之道 18】"马尔可夫链"是什么?了解它只需5分钟!Markov Chain in 5 minutes
【数之道14】六分钟时间,带你走近遗传算法 Genetic Algorithm in 6 minutes
มุมมอง 11K3 ปีที่แล้ว
【数之道14】六分钟时间,带你走近遗传算法 Genetic Algorithm in 6 minutes
【数之道 13】实现降维计算的另类神经网络 Self Organizing Map
มุมมอง 2.3K3 ปีที่แล้ว
【数之道 13】实现降维计算的另类神经网络 Self Organizing Map
【数之道 12】路越修越堵?反常识的'布雷斯悖论' More roads, More Jam? Braess Paradox
มุมมอง 2.3K3 ปีที่แล้ว
【数之道 12】路越修越堵?反常识的'布雷斯悖论' More roads, More Jam? Braess Paradox
666
1:09 -5到5的區間內呈現較大的波動性 1:17
你是在講學課,不是在教SVM. 我不會這樣講,唸數學而已。
谢谢,您的视频让我迅速理解了NSGA-II的核心思想。
感覺踩地雷
我們只能看到投影,真正的四維就是在3維所有立體物質空間之外的外膜都有多一層空間就像防護盾牌一樣,盾牌和你的距離可以無限拉遠,也可以拉近,而鬼魂,意識體,外星人如果是站在四維裡,其實就在你我的週圍(身邊),可是三維看不見牠們。這是我自己的理解,不知道對不對?
太棒了
這教學猛的一批
敲碗Transformer XD
非常好,你在wechat 上公众号吗
講的很棒👍👍
數學不好 看不懂!
可以举一个现实生活中的例子吗,什么场景下可以使用这个单输入,多隐藏,单输出层的模型设计。
解釋得很清楚,學習起來輕鬆不吃力!
有课件吗
好可爱
講解的很棒!謝謝
我也想在Excel里面自己操作卷积核那一步骤可以分享一下VB吗
请问这个excel的文件哪里可以找到呢
封面右边的熵更大,好了,视频可以关了
简单的马尔可夫链 没啥实际应用
ANN 谢谢老师
深入浅出,
CNN
请教一下,为什么会生成10个卷积特征图片?而不是9个或者12个或者别的数量?这个是被哪个参数控制的?
very spoken
講授得非常好, 謝謝您
前面這段數學式當初一直無法理解推導過程,特別是兩根向量的計算,如今可以很清楚理解了,感謝精湛的圖文動態解說
y=kx+b,将其移动c距离后的方程为y=kx+b±c√(k^2+1) 二维平面上的直线w₁x₁+w₂x₂+b=0,对应斜截式为x₂=-(w₁/w₂)x₁-b/w₂,将其移动c距离后,对应的直线应为x₂=-(w₁/w₂)x₁-b/w₂±c√(w₁^2/w₂^2+1),转换形式后为w₁x₁+w₂x₂+b±cw₂√(w₁^2/w₂^2+1)=0
真的有很生動與透徹,尤其是那個關鍵的那幾個點所構成的向量,原來名稱是這樣來的,後面絕對要繼續看精闢深入的數學推導過程
ANN
老师,怎么下载资料
高手啊
牛掰谢谢
剛接觸不太知道卷積的作用,不過是不是可以理解為把標準的圖形,例如批薩用扁平化,把特徵概念化,之後圖可能不是正照圖,但運用卷積化後,可得到接近批薩的扁平化特徵圖!!所以我們就可得到後面輸入的圖最大概率就是!!如果影象有一堆圖,則用框框把要的的框起來,再把這方框卷積成扁平化圖,再和正照圖對比,例如自動化的駕駛車,在路上有一堆東西,如框起來東西卷積扁平化結果最接近正照車子,所以被框的東西就是車!!
特斯拉的ai上路根本不用運算,只要能比對輸入影象和庫存就好,還算什麼屁!!
講了一堆屁話,就是沒有講到重點,怎麼把輸入影象做成函數值,又運算個什麼鬼,為什麼變成數值的函數可以通過運算變成最終結果?!講的一點都沒有貫通性,只是一堆叫神經元的圓圈晃來晃去,這算哪麼的教學!!
函数图像上,某个点导数为正,说明极小值点位于这个号的左侧;某个点导数为负,说明极小值点位于这个点的右侧。Δwⱼ=-η∂S/∂wⱼ,加上负号,可以使w向着函数极小值点的方向移动,η是学习系数。 sigmoid函数的导数可以用自身表示,E=1/(1+e^(-g)),∂E/∂g=[-1/(1+e^(-g))^2]e^(-g)(-1)=e^(-g)/(1+e^(-g))^2=(1/E-1)E^2=E-E^2=E(1-E)
感謝教學
非常感謝
謝謝博主
感謝博主無私教學
感謝博主無私教學
啥时候讲解transformer或者LLM等模型
so cool!
ANN pls
很棒的影片,支持!
讲的不错哎
微信公众号是多少?没搜到
ANN