ریاضی و یادگیری ماشین کلاسیک

Math and classical ML

جبر خطی، احتمال، بهینه‌سازی و مدل‌های کلاسیکی که همچنان روی داده‌های جدولی برنده هستند.

سطح ۱ غربالگری ۴

  1. امتیازی برای جمله که دقیقاً صفر می‌شودمفهومی۵ دقیقه
  2. ضریب تعیین (R-squared) کمتر از صفر در مجموعه‌ی آزمونمفهومی۵ دقیقه
  3. تحلیل خطای ابعاد در لایه‌ی متراکممفهومی۵ دقیقه
  4. دو نوع ضرب در NumPy با خروجی‌های متفاوتکدخوانی۵ دقیقه

سطح ۲ میانی ۹

  1. تابع زیان آنتروپی متقاطعی که روی دسته‌های واقعی مقدار inf برمی‌گردانداشکال‌یابی۸ دقیقه
  2. امتیازی در تست که محیط عملیاتی هرگز به آن نمی‌رسداشکال‌یابی۸ دقیقه
  3. انتخاب آستانه وقتی 95 درصد داده‌ها منفی هستندبده‌بستان۸ دقیقه
  4. محاسبه‌ی پرپلکسیتی از روی میانگین آنتروپی متقاطعتخمین۶ دقیقه
  5. محاسبه‌ی امتیاز گره درخت با جینی و آنتروپیتخمین۸ دقیقه
  6. چرا مشتق‌گیری خودکار گرادیان‌ها را جمع می‌کند و مقداردهی مستقیم انجام نمی‌دهد؟کدخوانی۸ دقیقه
  7. چرا در پس‌انتشار خطا، قاعده‌ی زنجیره‌ای برعکس اجرا می‌شود؟مفهومی۸ دقیقه
  8. چرا کمینه‌سازی آنتروپی متقاطع همان کمینه‌سازی واگرایی KL است؟مفهومی۸ دقیقه
  9. چرا گرادیان کاهشی معمولی زیگزاگی حرکت می‌کند اما تکانه نه؟مفهومی۸ دقیقه

سطح ۳ ارشد ۶

  1. جنگلی که شناسه‌ی کاربر را مهم‌ترین ویژگی می‌دانداشکال‌یابی۱۲ دقیقه
  2. بررسی گرادیانی که به دلیلی نادرست شکست می‌خورداشکال‌یابی۱۲ دقیقه
  3. رگرسیون لجستیکی که وزن‌هایش بی‌وقفه رشد می‌کنندمفهومی۱۲ دقیقه
  4. واریانسی که برای مقادیر بزرگ نادرست محاسبه می‌شوداشکال‌یابی۱۰ دقیقه
  5. بگینگ برای درخت‌های عمیق یا بوستینگ برای استامپ‌هابده‌بستان۱۲ دقیقه
  6. انتخاب فرمت 16 بیتی مناسب برای آموزش و استنتاجبده‌بستان۱۲ دقیقه

سطح ۴ استف ۳

  1. ساخت یک آنسامبل انباشته بدون تقلب فرایادگیرندهپروژه‌ی خانگی۲۵ دقیقه
  2. تصمیم‌گیری درباره‌ی واقعی بودن یک برتری جزئی در یک تقسیم‌بندی دادهطراحی۱۵ دقیقه
  3. خطای آزمونی که افت می‌کند، اوج می‌گیرد و دوباره افت می‌کندمفهومی۱۵ دقیقه