Gradienter og partiel afledte
I denne session udforsker vi gradienter og partiel afledte og deres fundamentale betydning for flervariable funktioner og optimeringsproblemer. Vi starter med at definere partiel afledte og gradientvektoren, som er essentielle for forståelsen af funktioner af flere variable og deres anvendelse i machine learning og optimering.
Sessionen omfatter en grundig gennemgang af retningsafledte, Hessian-matricen og kritiske punkter. Vi introducerer desuden begreber som lokale ekstrema, sadelpunkter og gradient descent. Der er særlig fokus på anvendelse af gradienter i praktiske optimeringsproblemer, da disse spiller en central rolle i machine learning-algoritmer, neural networks og numeriske optimeringsmetoder.
-
M1: Her finder du læsemateriale, videoer og quizzer, der hjælper dig med at forberede dig til den første undervisning. Det er vigtigt at man som minimum har set videoerne.
-
M2: Her finder du de eksempler som jeg gennemgår til den første undervisningsgang og efterfølgende lægger jeg videoen op her også. Det er vigtigt at I har set videoerne fra M1 inden.
-
M3: Her finder du de øvelser, som I skal lave enten selv eller i grupper. Der er også en række tutorials, der viser hvordan man kan gribe opgaverne an.
-
M4: Her finder du materiale fra anden undervisnings-gang, herunder mine løsninger, og efterfølgende lægger jeg videoen op her også.