tensor + الـ -arium من aquarium وplanetarium: مكانٌ تُشاهد فيه الـ tensors وهي تتدفّق. اسمٌ مرِحٌ ومميّز.
أربع طرائق لإيجاد المجموعات في بياناتٍ بلا تسميات. تعمل كلّ صفحة مباشرةً داخل المتصفّح — انقر لتضع النقاط، وحرّك الخوارزمية خطوةً خطوة، وشاهِد بالضبط أين تنجح وأين تنهار.
ضَعِ الـ centroids بنفسك، ثمّ بادِل بين خطوتين: أعِد إسناد كلّ نقطة إلى أقرب centroid إليها، وانقل كلّ centroid إلى متوسّط نقاطه. راقِب هبوط J — وراقِبه وهو يستقرّ على الجواب الخطأ حين لا تكون الـ clusters مستديرة.
ابدأ وكلّ نقطة cluster قائم بذاته، ثمّ ادمج أقرب زوج مرّةً بعد مرّة حتى يبقى واحد. قارِن بين single و complete و average linkage، ثمّ اقطع الشجرة بعدد الـ clusters أو بالارتفاع.
التجميع حسب الكثافة بدل المسافة إلى مركز. اضبط ε و minPts، فتُنمّي الخوارزمية clusters بأيّ شكل انطلاقًا من نقاط الـ core — وتَصِم ما تبقّى بأنّه noise.
تجميع soft. كلّ cluster قطعٌ ناقص له حجمه وميله، وكلّ نقطة تنال احتمال انتماء بدل تسمية قاطعة. تنقّل عبر الـ E-step والـ M-step خطوةً خطوة بيدك.
ثلاث طرائق للحكم بأنّ قراءةً ما ليست في مكانها. اثنتان منها حسابٌ يمكنك إجراؤه على الورق، والثالثة نموذج. وكلّ صفحة تولّد بياناتها بنفسها، فاضغط الزرّ عدّة مرّات وراقِب كم يتحرّك الجواب.
كم standard deviation تبعد عن الـ mean؟ ولّد منحنى bell جديدًا، واختَر cut-off، وشاهِد الـ z-scores. ثمّ أضِف بضع قراءات غريبة وراقِبها وهي تنفخ الـ σ نفسه الذي تقيسها به.
النصف الأوسط من البيانات، مرسومًا على هيئة box plot. بالكاد تتحرّك الـ quartiles حين تضيف قيمًا شاذّة، ولهذا بالضبط تصمد هذه القاعدة أمام تلوّثٍ يهزم الـ z-score.
اقطع المستوي عشوائيًّا حتى تجلس نقطة واحدة وحدها، ثمّ عُدَّ القطوع. الشواذّ هي النقاط السهلة العزل. شاهِد شجرة واحدة تفعلها، ثمّ أنبِت مئة.
أربع صفحات عن كيف تتعلّم الشبكة العصبية، من حساب neuron واحد إلى اختيار الكلمة التالية. كلّ رقم يُحسَب مباشرةً داخل المتصفّح — تنقّل فيه خطوةً خطوة وتحقّق منه بآلة حاسبة.
input واحد، وneuronان مخفيّان، وoutput واحد: سبعة weights وbiases. تنقّل عبر الـ forward pass والـ backward pass سطرًا سطرًا، وتحقّق من كلّ رقم بآلة حاسبة، ثمّ حدِّث وراقِب الـ loss وهو ينخفض.
من دون activation، تكون الشبكة مهما كبرت خطًّا مستقيمًا واحدًا. لائِم منحنى باستخدام ReLU أو sigmoid أو tanh أو leaky ReLU، وراقِب كلّ neuron وهو يضيف انثناءة واحدة — ثمّ اعثر على dead neuron.
Gradient descent وSGD وmomentum وAdam على خريطة الـ loss نفسها. راقِب كلّ مسار وهو يجد القاع، ثمّ سابِق بين الأربعة على ثلاث تضاريس. لا يفوز أيّ optimizer في كلّ مكان.
يُكمل language model الجملة “The cat sat on the ___”. يحوّل softmax الـ scores الخاصّة بالكلمات إلى احتمالات، وتجعلها الـ temperature أحدّ أو أكثر تسطّحًا، ثمّ يختار greedy أو sampling الكلمة.
إحدى عشرة صفحة عن كيف يرى الحاسوب، من الأرقام في pixel واحد إلى CNN صغيرة تسمّي رسمًا، ثمّ إلى إيجاد كلّ object ورسم box حوله، وأخيرًا إلى صنع صور جديدة. كلّ filter وكلّ pool وكلّ score يُحسَب مباشرةً داخل المتصفّح — انقر pixel وتحقّق من الحساب.
الصورة مجرّد أرقام. كبِّر لترى قيم RGB لـ pixels منفردة، وحوّل الألوان إلى رماديّ، وافصل الـ channels الثلاث، وصغّر الصورة، وغيّر الـ brightness والـ contrast.
مرِّر filter ذا 3×3 فوق صورة رمادية: تسعة weights، ومجموع واحد لكلّ موضع. تجد filters الـ Sobel الحوافّ العمودية والأفقية؛ اعرض المجاميع بإشاراتها، أو الموجبة وحدها، أو الشدّة.
أبقِ رقمًا واحدًا لكلّ بلاطة: الأكبر، أو المتوسّط. اعمل pool لـ edge map مرّةً بعد مرّة، من 118×88 إلى 7×5، وانظر ماذا يبقى.
ارسم خطًّا وتتبّعه عبر شبكة صغيرة كلّ weight فيها موضوع باليد: filters وReLU وpooling وخمسة scores للفئات وsoftmax. ثمّ اعثر على الرسم الذي تخطئ فيه.
حوّل أربعة scores للفئات إلى احتمالات مجموعها 100%. حرّك الـ temperature لتجعل الشبكة أكثر أو أقلّ يقينًا، ثمّ اختر عشوائيًّا والأعمدة هي الحظوظ.
ليس فقط ما في الصورة، بل أين هو. مرِّر template لقطّة فوق كلّ موضع، وأعطِ كلّ نافذة score، وأبقِ ما يتجاوز الـ cut-off، ونظّف المكرّرات بالـ NMS.
رقم واحد لمدى تطابق الـ box: المساحة المشتركة مقسومة على المساحة التي يغطّيها الـ boxان. اسحب الـ boxes وانظر لماذا يضرّ الخطأ نفسه، 5 pixels، الـ box الصغير أكثر بكثير.
اقترح regions، ثمّ افحص كلًّا منها. عُدّ مرّات تشغيل الـ CNN بينما يصير R-CNN هو Fast R-CNN ثمّ Faster R-CNN: 111 تشغيلًا، ثمّ تشغيل واحد.
تمريرة واحدة، وكلّ cell في الـ grid في آنٍ واحد. انقر cell لترى الأرقام السبعة التي تتنبّأ بها، ثمّ راقب الـ cut-off للـ score والـ NMS يحوّلان كومة من الـ boxes إلى box واحد لكلّ حيوان.
شبكتان تلعبان لعبة: مزوِّر يحوّل أرقامًا عشوائيّة إلى نقاط، ومحقِّق يحاول تمييزها عن الحقيقيّة. شاهِد النقاط المزيّفة تنتقل إلى الشكل الحقيقيّ، وانظر ما الذي ينهار حين يتعلّم طرف واحد فقط.
امزج الـ noise في وجه مبتسم حتى لا يبقى إلّا تشويش. ثمّ درّب شبكة على تخمين الـ noise، وشاهِدها تعيد سحابة عشوائيّة من النقاط إلى وجه مبتسم، خطوةً صغيرة بعد خطوة.