Исчисление нейронных сетей (ИИ) простыми словами | Концепция | Математика | Код

Если вам понравилось это видео, вас также может заинтересовать наш курс по ИИ на основе физики: https://compu-flair.com/physics-ai-co... В этом видео вы узнаете, почему современное обучение ИИ зависит от «нового вида исчисления», созданного для компьютеров, а не для аудиторий. Объяснение начинается с основной идеи машинного обучения: модели улучшаются путем измерения ошибки (потери) и многократной корректировки миллиардов внутренних параметров для движения «вниз по склону». Вы увидите, почему два очевидных подхода терпят неудачу в масштабах ИИ: оценка наклонов с помощью крошечных корректировок (конечных разностей) слишком медленна и численно ненадежна, а традиционное символическое дифференцирование превращается в непригодную для использования кашу. Затем в видео представлен ключевой прорыв: рассмотрение нейронной сети как пошагового вычислительного графа и использование правила цепочки в качестве эффективной системы учета. В основе повествования лежит автоматическое дифференцирование, особенно обратное дифференцирование (обратное распространение ошибки), демонстрирующее, как такие фреймворки, как PyTorch и TensorFlow, вычисляют градиенты для всех параметров за один обратный проход. К концу вы поймете, как ИИ распределяет «достоинства и вину» в сети и почему масштабируемый, вычислимый математический анализ делает современное глубокое обучение практичным. 📺 Главы 00:00 - ИИ кажется волшебством, пока вы не спросите: «Как он учится?» 00:44 - Проблема миллиарда параметров (метафора «ручек») 02:09 - Почему «просто вычислить наклоны» сложно 02:46 - Почему старые математические инструменты терпят неудачу (два неверных поворота) 04:59 - Ключевое изменение: модель — это не одна гигантская формула, это рецепт 05:20 - Вычислительные графы: план рецепта 06:32 - Автоматическое дифференцирование (АД): точные наклоны на скорости компьютера 07:10 - Прямой проход: выполнение рецепта обычным способом 07:53 - Два способа получения производных: прямой режим против обратного режима 08:06 - АД в прямом режиме: производные движутся слева направо 09:03 - АД в обратном режиме: один обратный проход для всего (большой прорыв) 09:55 - Обратное распространение ошибки = АЦП в обратном режиме в нейронных сетях 10:31 - Конкретный мини-пример 12:53 - Почему это лежит в основе современного ИИ (скорость, масштабируемость и надежность) 13:24 - Что это означает концептуально: не черный ящик, а гигантская машина правил цепочки 14:17 - Более глубокое изучение математики и кода