33 documents tagués avec "knowledge-map"

Une carte pour analyser les algorithmes, reconnaître les schémas de conception et choisir une famille de résolution adaptée.

Une carte orientée problèmes pour choisir entre parcours, plus courts chemins et arbres couvrants minimums.

Une carte de décision pour la recherche, les données ordonnées et le parcours de graphes.

Une carte de décision pour le tri par comparaison, la stabilité, l’adaptativité et les compromis mémoire.

Des algorithmes de choix local organisés autour des preuves à fournir et des contre-exemples.

Une carte fondamentale de l'approximation, de l'erreur, de la stabilité et du calcul fiable en précision finie.

Une carte allant de la formulation du problème et de l’évaluation aux méthodes supervisées, non supervisées, séquentielles et profondes.

Un parcours à travers les MLP, les activations modernes, les RNN, l'attention et les Transformers qui traite également les fuites et la dérive de distribution comme parties intégrantes de l'évaluation des modèles.

Une carte allant des limites et dérivées à l'intégration, aux gradients, à l'optimisation, à la différentiation automatique et au calcul symbolique.

Notes sur les couleurs, les symboles de programmation et les sélections musicales.

Les lieux où les fondations deviennent travail appliqué, jugement et curiosité continue.

Marchés financiers, modélisation mathématique et expériences quantitatives.

Une carte concise des idées durables qui sous-tendent les langages de programmation, les frameworks et les systèmes d’IA.

Un parcours compact à travers le modèle objet, le contrôle de flux, les fonctions, les collections, les fichiers et les classes de Python.

Une carte allant des limites et dérivées à l'intégration, aux gradients et à l'optimisation.

Des parcours par question pour comprendre les algorithmes, les structures de données, les dérivées et l’évaluation des modèles.

Un parcours dans les fondements de l’apprentissage automatique, profond et des données, reliant hypothèses, exemples et évaluation.

Choisir un point de départ pour le coût des algorithmes, les structures de données, la programmation Python et les tests.

Choisir parmi neuf expériences sur les trajectoires, la lumière et les motifs, puis découvrir leurs modèles et leur réalisation.

Une carte concise des notes maintenues sur les langages de ce site et une façon de choisir quoi apprendre ensuite.

Les fondements mathématiques du raisonnement, de la modélisation, de l’informatique et de l’apprentissage automatique.

Une carte concise des approches à variables latentes et par diffusion pour apprendre les distributions de données.

Choisir entre parcours conceptuels, guides pratiques, références, textes et expériences.

Des guides pratiques pour les projets, la recherche documentaire, le terminal, les serveurs et le traitement des médias.

Une carte orientée tâches pour travailler avec des données tabulaires dans pandas.

Une méthode centrée sur l'état pour les problèmes dont les sous-problèmes peuvent être réutilisés.

Des comparaisons datées pour choisir modèles, API, configurations d’inférence locale et agents de programmation.

Accès direct aux commandes, aux formules de dérivation et aux définitions en informatique et en apprentissage automatique.

Recherche en profondeur dans les décisions, avec état réversible et élagage sûr.

Un parcours allant des questions et processus générateurs de données aux transformations reproductibles, découpages résistants aux fuites, évaluation sous dérive de distribution et conclusions bornées.

Une carte centrée sur la représentation pour choisir les conteneurs selon les opérations, les invariants et le comportement mémoire.

Une carte pratique des couches de contrôle, de contexte, d’outils, de preuves et d’évaluation autour des agents d’IA.

Une carte des exemples exécutables et tests unitaires jusqu'à la confiance dans l'intégration, le système et l'exploitation.