Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål E Universitet

Matematiken bakom modellerna

Partiella derivator, gradienter, integraler, linjära avbildningar, konvexitet och grafer — det som faktiskt används när en modell tränas.

Kunskaper
39
Från noll
ca 27 h
Labbar
6
Se vad du redan kan — utan konto

Diagnosen föreslår en startpunkt. Övningarna visar vad du faktiskt kan.

Det här kan du efteråt

Labbar på vägen

Du skriver koden. Tester du inte ser avgör om den håller.

Labb: matrismultiplikation och ett lager i ett neuronnätDi webbläsaren · ca 45 minLabb: skalärprodukt, norm och cosinuslikhetDi webbläsaren · ca 40 minLabb: dina första Python-funktionerCi webbläsaren · ca 30 minLabb: listor, loopar och dictionariesCi webbläsaren · ca 40 minLabb: medelvärde, median och standardavvikelse för handCi webbläsaren · ca 40 minLabb: simulera tärningar och jämför med teorinCi webbläsaren · ca 40 min

Hela vägen

Allt målet bygger på, grupperat per nivå och i den ordning det bygger på varandra. Visa på kartan

AUpptäckare3 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
  3. Heltalsaritmetik och räkneordning
BUtforskare4 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Bråk, decimaltal och procent
  4. Negativa tal i vardagen och AI
CByggare9 kunskaper
  1. Funktioner och koordinatsystem
  2. Avståndsberäkning och Pythagoras sats
  3. Programmeringslogik — variabler, villkor, loopar
  4. Python — grunderna
  5. Python — listor, loopar och dictionaries
  6. Statistik — medelvärde, median och spridning
  7. Sannolikhet — grunderna
  8. Variabler och algebraiska uttryck
  9. Potenser och rötter
DAI-utvecklare11 kunskaper
  1. Diskret matematik: grafer och relationer
  2. Derivata och optimering
  3. Funktioner: definitionsmängd, sammansättning, invers
  4. Integraler — grunderna
  5. Python — funktioner, scope och undantag
  6. Rekursion
  7. Mängder och logik
  8. Logaritmer
  9. Vektorer
  10. Matriser och matrismultiplikation
  11. Partiella derivator och gradienten
EUniversitet12 kunskaper
  1. Konvexitet och optimeringslandskap
  2. Integraler i sannolikhet: väntevärde
  3. Bevis och induktion
  4. Informationsteori: entropi och KL-divergens
  5. Numerisk stabilitet och flyttal
  6. Linjära avbildningar
  7. Egenvärden och egenvektorer
  8. Matrisfaktorisering och lågrangsapproximation
  9. Kedjeregeln i flera variabler
  10. Jacobianer och Hessianer
  11. Singulärvärdesuppdelning (SVD)
  12. PCA — principalkomponentanalys