Разбираемся в ML без воды: от базы до Attention. Часть 8: Kernel Trick
В предыдущей части мы затронули концептуальную идею Kernel Trick (ядерного трюка). Если говорить кратко: когда у нас нет возможности линейно разделить данные в текущем пространстве признаков, мы можем отобразить их в пространство более высокой размерности, где классы станут легко разделимы обычной гиперплоскостью.В этой части мы глубоко изучим математическое устройство этого метода и разберемся, почему и как именно он работает "под капотом".Функция ЛагранжаПеред основной работой поговорим немного о теории. Первым делом введем Лагранжиан (
Лагранжевы нейронные сети: моделирование физических систем при помощи ИИ
Сегодня хочу вам рассказать про один интересный вид нейронных сетей в физически-информированном машинном обучении (PIML). Одной из задач PIML является поиск решений уравнений динамики. Физику или в общем случае некоторые знания можно интегрировать в нейронную сеть несколькими различными способами. Сегодня мы рассмотрим вариант, как физические законы используются в архитектурных решениях нейронных сетей, а именно лагранжеву нейронную сеть.Прежде чем перейти непосредственно к ее архитектуре, давайте немного вспомним, что такое лагранжиан и зачем он нужен.Лагранжева механика
Эконофизика и физически-обоснованные нейронные сети
Эконофизика — область науки, которая объединила в себе экономическую теорию и физические методы. По случаю выхода нашей с коллегами научной статьи , решил рассказать об этой концепции. Особенно про то, как современные подходы машинного обучения могут способствовать построению динамических моделей.Историческая справкаВпервые термин эконофизика
