Uma nova publicação interativa
Aprendizado de máquina,
de um jeito concreto.
Ensaios visuais e pequenos experimentos para entender o que os modelos realmente fazem — uma ideia difícil de cada vez.
Recém-plantada. Novos artigos são publicados com cuidado.
A biblioteca
Todos os artigos
8 artigos
O princípio de Markov
Compare representações de estado markovianas e não markovianas no Pong, em um labirinto com porta e chave e em uma tarefa com checkpoints ordenados.
Acurácia, precisão e recallMeu modelo é bom?
Compare o que acurácia, precisão e recall revelam sobre as mesmas previsões e escolha a métrica que corresponde ao erro que mais importa.
Árvores de decisão com gradient boostingGradient Boosting: Uma Visão Rápida e Aprofundada
Comece com uma predição constante, ajuste árvores pequenas às correções restantes e descubra como uma loss transforma boosting em gradient descent no espaço de funções.
Aprendizado por reforço baseado em amostrasUma visão do aprendizado por reforço baseada em amostras
Acompanhe a experiência ao longo de um MDP e compare como algoritmos de aprendizado por reforço coletam amostras, atualizam grandezas aprendidas e representam o que aprendem.
ACF e PACFComo o passado ecoa: entendendo ACF e PACF
Comece pela correlação comum, desloque uma série no tempo e veja como relações entre lags formam uma função de autocorrelação.
Reward hackingReward hacking no aprendizado por reforço
Três MDPs pequenos mostram como um agente pode explorar uma restrição ausente, manipular um processo de medição ou otimizar um objetivo incompleto.
Árvores de regressãoComo árvores de decisão aprendem a prever números
Mantenha o procedimento propor–avaliar–repetir, troque a impureza de classe pelo erro quadrático e deixe cada folha prever a própria média.
Árvores de decisãoComo inventar o algoritmo de árvore de decisão do zero
Construa uma árvore de classificação à mão com dez sementes e depois automatize o próprio julgamento com limiares de ponto médio e a pontuação de Gini.