Vektorer
Kunna addera vektorer, multiplicera med skalär, beräkna skalärprodukt och längd, och förklara varför skalärprodukten mäter "hur lika" två vektorer är.
Öva i Mattegrafen ↗ · Matematik 1cFörkunskaper
Intuition
En vektor är en lista med tal: (3, 4). Rita den som en pil från origo. Två tal ger en pil i planet, tre i rummet, 768 i… ja, ett rum vi inte kan rita men kan räkna i.
Nästan allt i AI är vektorer: en bild är en lång vektor av pixelvärden, ett ord blir en vektor med hundratals tal, en neurons indata är en vektor.
Formellt
För u = (u₁, u₂, …) och v = (v₁, v₂, …):
- Addition: u + v = (u₁+v₁, u₂+v₂, …)
- Skalär gånger vektor: 2u = (2u₁, 2u₂, …)
- Skalärprodukt: u · v = u₁v₁ + u₂v₂ + …
- Längd (norm): ‖u‖ = √(u₁² + u₂² + …)
- Cosinuslikhet: cos θ = (u · v) / (‖u‖ ‖v‖)
Skalärprodukten är stor när pilarna pekar åt samma håll, noll när de är vinkelräta, negativ när de pekar åt motsatt håll. Det är därför den används för att mäta likhet: två ord med liknande betydelse har vektorer som pekar åt liknande håll. (3, 4) · (4, 3) = 24; ‖(3, 4)‖ = 5.
Behärskning innebär
- Beräknar skalärprodukt och norm för hand
- Tolkar cosinuslikhet mellan två vektorer
Logga in för att göra övningarna och bygga upp din behärskning.
Källor
Leder till
Del av målen (35)
- Träna neuronnät på riktigt
- Förstå hur generativ AI fungerar
- Matematiken bakom modellerna
- Bygg ett RAG-system som går att lita på
- Utvecklarens verktygslåda
- Klassisk maskininlärning i praktiken
- Systemkunskap för AI-ingenjörer
- Kör modeller billigare: kvantisering
- Se och höra med AI
- Bildklassificering med faltningsnät
- Multimodala system
- Frontier Lab — självständigt forskningsprojekt
- AI-säkerhet i praktiken
- Klassisk ML på riktigt
- Bygg en transformer från grunden
- Tolka en språkmodell
- Finjustera och driva egna modeller
- Finjustera en modell med LoRA
- Träna ditt första neuronnät
- Språkmodeller i praktiken
- Djup reinforcement learning
- Generativa modeller i djupet
- Bygg ett röstgränssnitt
- Data: samla, städa, dokumentera
- Ansvarsfull AI i praktiken
- Bygg ett minnessystem för en agent
- Bygg en AI-tjänst som håller i drift
- AI i produktion
- Reproducera ett paper
- Evals i praktiken
- Statistik för experiment
- Bygg en agent som går att lita på
- AI-tjänst i drift
- Bygg ett NLP-system end-to-end
- AI, etik och samhälle