Guest
Нейросетями машинное обучение не исчерпывается. 1. Приступаем к изучению ядерных методов, которые основаны (сюрприз, сюрприз!) на ядрах - функциях, задающих аналог метрики (скалярного произведения) на пространстве входных значений. Если в модели зависимость от входного X можно выразить только через скалярные произведения, то эти произведения можно заменить на применения ядра. Если такой ядерный трюк (энциклопедический термин) удаётся, то подобную модель фактически можно не тренировать, а вычислять регрессию или классификацию прямо по тренировочному набору данных. “Расточительство!“ - воскликнет возмущённый читатель. С одной стороны, конечно! С другой стороны, это позволяет работать с пространствами характеристик бесконечной, и даже несчётной, размерности. Мы будем с ними работать. 2. Строим двойственное представление задачи о линейной регрессии, демонстрируя ядерный трюк. #теорвер и #machinelearning, #иммуроран и прикладной #матан 1P.S. Не упустите уникальную возможность понаблюдать, как два математика запутались в трёх матрицах. 2P.S. Конечно же, ядра не являются метрическими тензорами. Это я заговорился.
