Leçon 1 : Apprendre le bon sens aux machines

Le théorème de Bayes, fondement du jugement probabiliste
L'acte de sélectionner la cause la plus probable, MLE
L'apparition d'informations antérieures bouleverse les résultats, MAP
Informations du dictionnaire utilisées dans notre vie quotidienne
Des informations préalables pour aider l'IA à prendre des décisions
Conclusion

Leçon 2 : Interprétation et comparaison des distributions de probabilité

L'entropie nous renseigne sur l'incertitude
L'incertitude est une information
L'entropie est aussi la valeur de l'information.
L'entropie est en fin de compte un coût
Le coût augmente si la distribution de probabilité est inconnue, entropie croisée
Quantification des coûts supplémentaires, KLD
L'incompétence de la famille de l'entropie 1
L'incompétence de la famille de l'entropie 2
Alternative possible, distance W
L'entropie croisée est utilisée de manière si primitive
L'entropie croisée peut être utilisée plus efficacement
Conclusion

Leçon 3 : Les nombres bruts comme distributions de probabilité

Softmax, ce nom incongru
Pourquoi une fonction exponentielle ?
Il n'y a pas de bonne réponse en matière de distributions de probabilité.
Créer des distributions de probabilité personnalisées
Est-ce une cousine de la fonction sigmoïde ?
Conclusion

Leçon 4 : La fonction objectif qui détermine si vous pouvez apprendre

Deux fonctions objectives similaires mais différentes
La régression simplifiée grâce aux journaux
Quelle est la véritable raison de prendre le logarithme de la fonction cible ?
La direction et le rythme de l'apprentissage, le gradient
Bon dégradé, mauvais dégradé
la log-vraisemblance, que nous connaissons déjà
Conclusion

Leçon 5 : Comment contrôler les modèles d’apprentissage incohérents

Le bruit est un destin inévitable
Intervenir activement dans le processus d'apprentissage du modèle
Cette fois encore, Prior a réalisé une excellente performance.
Pourquoi les petits paramètres sont préférés
Parcours différents pour L1 et L2
L'émergence de la normalisation par lots et la crise de la dégradation du poids
Réévaluation de la dégradation du poids
Conclusion

Leçon 6 : Trouver les variables cachées et les créer si elles n’existent pas

Scénarios de manipulation de données
La création est facile quand on connaît la distribution.
Propriétés cachées, variables latentes
Composants mixtes séparés, GMM
Expliquez avec une distribution conjointe, VAE
Expliquez avec des fonctions, pas des distributions, NF
Expliquer le présent par le passé étape par étape : le modèle de diffusion
Pourquoi la diffusion est nécessaire
Conclusion

Leçon 7 : Ne vous laissez pas tromper par les chiffres de performance

Le point de départ de l'évaluation d'un modèle de classification est la matrice de confusion.
Pourquoi utilisent-ils la spécificité ?
Mais pourquoi utilisons-nous la précision ?
Où faut-il fixer le seuil ?
Une méthode qui prend en compte toutes ces circonstances, l'AUC
AUC dans les situations de déséquilibre des classes
Pourtant, ce que l'AUC ne peut pas montrer
Indicateurs de performance des modèles de détection, AP
L'évaluation est possible même s'il n'y a pas de réponse correcte.
Évaluez la réponse à l'image générée, IS
Évaluation de la distribution des caractéristiques des images générées, FID
Conclusion

Leçon 8 : Le monde où vit l'IA : vers l'espace multidimensionnel

Suivi d'une question
Phénomènes étranges se produisant dans l'espace à haute dimensionnalité
Les distributions gaussiennes de grande dimension ont un aspect étrange ?
Dans les dimensions supérieures, même la trahison des probabilités se produit.
Des soucis dont vous n'aurez plus à vous soucier dans les dimensions supérieures
Malédiction dimensionnelle ou bénédiction dimensionnelle
Conclusion

Leçon 9 : L'IA est obsédée par elle-même et, par conséquent, c'est une IA peu attrayante.

Les performances sont bonnes, mais je n'ai pas confiance.
L'arrogance n'aide même pas l'IA elle-même.
Ce qui les rendait fiers
Le moment de devenir complaisant
Le processus de complaisance
Se transformer en une humble IA
Erreur confiante, hallucination de l'IA
Conclusion