หน้าแรก

อัปโหลด

ความรู้พื้นฐานสำหรับการเรียนรู้ของเครื่อง 6️⃣｜02 Broadcasting และการดำเนินการของเมทริกซ์: NumPy บรรลุพีชคณิตเชิงเส้นได้อย่างไร

500

0

2026-10-01 15:59:54

ห้ามนำไปเผยแพร่โดยไม่ได้รับอนุญาตจากผู้สร้าง

ปัญญาประดิษฐ์

การเรียนรู้ของเครื่อง

คณิตศาสตร์ขั้นสูง

เดอะ เมทริกซ์

SIMPLEX-知几 ส่งข้อความ

做科研的在美夜猫子本科生留言邮箱：serena.g.hq@gmail.com 自己复习顺便记录私信暂不回复

ความรู้พื้นฐานก่อนเรียนแมชชีนเลิร์นนิง 1️⃣｜พื้นฐานคณิตศาสตร์: วิธีการอ่านออกเสียงภาษาอังกฤษของแนวคิด สัญลักษณ์ และสูตรที่พบบ่อย

14:16

ความรู้พื้นฐานของแมชชีนเลิร์นนิง 2️⃣｜พีชคณิตเชิงเส้น (ตอนที่ 1): Vector, Matrix, Inner Product และ Projection

28:45

ความรู้พื้นฐานก่อนเรียนแมชชีนเลิร์นนิง 2️⃣｜พีชคณิตเชิงเส้น (ตอนล่าง): Rank, Eigenvalue, SVD และ PCA

01:04:25

ความรู้เบื้องต้นสำหรับแมชชีนเลิร์นนิง 3️⃣｜แคลคูลัส: วิธีอ่านออกเสียงภาษาอังกฤษของ Gradient, Jacobian, Hessian และสูตรที่พบบ่อย

31:29

ความรู้เบื้องต้นก่อนการเรียนรู้ของเครื่อง 3️⃣｜01 จาก Derivative ถึง Gradient Descent: ทำไมทิศทางเกรเดียนต์ลบจึงทำให้ Loss ลดลงเร็วที่สุด?

29:35

ความรู้พื้นฐานที่จำเป็นก่อนเรียนแมชชีนเลิร์นนิง 3️⃣｜02 Jacobian, Hessian และ Matrix Calculus: โมเดลมิติสูงหาอนุพันธ์ได้อย่างไรกันแน่?

31:32

ความรู้เบื้องต้นก่อนการเรียนรู้ของเครื่อง 3️⃣｜03 Chain Rule และ Backpropagation: โครงข่ายประสาทเทียมคำนวณเกรเดียนต์ได้อย่างไรกันแน่?

16:56

ความรู้พื้นฐานของแมชชีนเลิร์นนิง 4️⃣｜ทฤษฎีความน่าจะเป็นและสถิติ: วิธีอ่านคำศัพท์ สัญลักษณ์ และสูตรสำคัญเป็นภาษาอังกฤษ

14:26

ความรู้พื้นฐานสำหรับการเรียนรู้ของเครื่อง 4️⃣｜01 ตัวแปรสุ่มและการแจกแจงความน่าจะเป็น: จะอธิบายความไม่แน่นอนอย่างไร?

40:52

ความรู้พื้นฐานสำหรับการเรียนรู้ของเครื่อง 4️⃣ ｜ 02 ค่าคาดหวัง, ความแปรปรวน และกฎจำนวนมาก: จากการแจกแจงสู่ตัวอย่าง

53:02

ความรู้พื้นฐานสำหรับการเรียนรู้ของเครื่อง (Machine Learning) 4️⃣｜03 ความน่าจะเป็นมีเงื่อนไขและทฤษฎีบทของเบย์: จะอัปเดตการตัดสินใจด้วยหลักฐานอย่างไร?

15:45

ความรู้พื้นฐานก่อนเรียนแมชชีนเลิร์นนิง 4️⃣｜04 จากฟังก์ชันควรจะเป็น (Likelihood Function) สู่การประมาณค่าควรสูงสุด MLE: พารามิเตอร์ของโมเดลเรียนรู้มาได้อย่างไร?

39:15

ความรู้พื้นฐานของ Machine Learning 4️⃣｜05 จาก MAP สู่ Cross-Entropy: ทำไม Loss Function จึงสามารถอนุมานได้จากความน่าจะเป็น?

43:29

ความรู้พื้นฐานก่อนเรียนแมชชีนเลิร์นนิง 5️⃣｜01 จาก Objective Function ถึง Empirical Risk: โมเดลกำลังปรับปรุงอะไรกันแน่?

37:16

ความรู้พื้นฐานที่ต้องมีก่อนเรียนแมชชีนเลิร์นนิง 5️⃣｜02 Gradient Descent: พารามิเตอร์ของโมเดลอัปเดตทีละขั้นได้อย่างไรกันแน่?

26:45

ความรู้พื้นฐานก่อนเรียนแมชชีนเลิร์นนิง 5️⃣｜03 จาก Local Minimum สู่ Convexity: ทำไมการปรับให้เหมาะสมแบบนูนจึงแก้ได้ง่ายกว่า?

41:22

ความรู้พื้นฐานเกี่ยวกับการเรียนรู้ของเครื่อง 5️⃣｜04 L1 และ L2 Regularization: เหตุใด Regularization จึงสามารถป้องกัน Overfitting ได้?

22:26

ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง 5️⃣｜05 การเพิ่มประสิทธิภาพแบบมีข้อจำกัดและตัวคูณลากรองจ์: ข้อจำกัดเข้าสู่การเรียนรู้ของเครื่องได้อย่างไร

11:45

ความรู้เบื้องต้นเกี่ยวกับแมชชีนเลิร์นนิง 6️⃣｜01 พื้นฐานอาร์เรย์ NumPy: รูปร่าง, การจัดทำดัชนี และการปรับรูปร่าง

34:05

ความรู้พื้นฐานสำหรับการเรียนรู้ของเครื่อง 6️⃣｜02 Broadcasting และการดำเนินการของเมทริกซ์: NumPy บรรลุพีชคณิตเชิงเส้นได้อย่างไร

18:06

ความรู้พื้นฐานก่อนการเรียนรู้ของเครื่อง 6️⃣｜03 Vectorization: จากสูตรสู่การคำนวณการเรียนรู้ของเครื่อง

12:02

ด้านบน