Ingyenes tananyag

Matematikai alapok az AI-hoz

8 lecke arról a matematikáról, amire az AI megértéséhez tényleg szükség van. Vektoroktól és mátrixoktól a deriválásig, a gradiensig, majd a valószínűségig és a statisztikáig, érthetően, mérnöki szemmel. Nem egyetemi tétellistát kapsz, hanem azt a gondolkodásmódot, amivel a mélytanulás és a modern modellek belülről érthetővé válnak. A tartalom a MIT 18.06 lineáris algebra kurzus és a Stanford CS229 matematikai jegyzetei alapján készült.

KD AI Academy · Kalmár Dániel

Előképzettségi kurzus. Ez a tananyag alapozás. A benne szerzett matematikai látásmódra épít a Bevezetés a mélytanulásba, a Transzformerek és az AI Engineer kurzus. Ha ezeknél elakadtál a matematikai résznél, itt a helyed. Egyetemi matekot nem feltételez, lépésről lépésre épül fel.
01Miért kell matek az AI-hoz, és mennyi 02Vektorok és a vektortér 03Mátrixok és a mátrixszorzás 04Lineáris transzformációk és a geometriai jelentés 05Deriválás és a gradiens 06A láncszabály és a visszaterjesztés matematikája 07Valószínűség alapok, eloszlás, várható érték, szórás 08Statisztika és a gépi tanulás kapcsolata

Ha végigért

Záróteszt és tanúsítvány

10 feleletválasztós kérdés, 15 perc. Ha sikeresen teljesíted, a tanúsítvány automatikusan, egyedi sorszámmal kiállításra kerül.

Záróteszt kitöltése

Forrás

A tananyag a MIT 18.06 Linear Algebra kurzus (Gilbert Strang) és a Stanford CS229 lineáris algebra és valószínűség jegyzetei alapján készült, magyar feldolgozásban. A geometriai szemléltetés fogalmi kerete a 3Blue1Brown Essence of Linear Algebra sorozat gondolkodásmódját követi.