CAPÍTULO 05 / 40
Cálculo
7 lecciones · Explora, experimenta y comprende.
Aprendamos juntos.
Pregúntame sobre este curso o por dónde empezar.
Gradientes, jacobianas y la regla de la cadena son el motor literal de la backpropagation — cada actualización de pesos en cada red neuronal llama, al final, a estas herramientas.
- backprop
- autograd
- neural training
- Paso 25~20m25⚡Reto
Derivación de Funciones Univariadas
La derivada de una función mide su tasa de cambio instantánea en . Formalmente, . Geométricamente, es la pendiente de la recta tangente a la…
Abrir lección - Paso 26~20m3D · 125★Más cinematográfica⚡Reto
Derivadas Parciales y Gradientes
Para una función de varias variables, la derivada parcial es la tasa de cambio de cuando varía mientras todas las demás variables se mantien…
Abrir lección - Paso 27~15m15⚡Reto
Gradientes de Funciones Vectoriales
Cuando mapea vectores a vectores, el análogo del gradiente es una matriz llamada jacobiano, . Su entrada es — la sensibilidad de la -ésima c…
Abrir lección - Paso 28~15m15⚡Reto
Gradientes de Matrices
En ML, las funciones de pérdida a menudo dependen de matrices completas de parámetros (piensa en matrices de pesos en una capa de red neuron…
Abrir lección - Paso 29~20m3D · 125★Más cinematográfica⚡Reto
Retropropagación y Diferenciación Automática
La retropropagación es la regla de la cadena, aplicada eficientemente a un grafo computacional — un grafo dirigido acíclico donde cada nodo…
Abrir lección - Paso 30~20m25⚡Reto
Derivadas de Orden Superior
Tomar la derivada de una derivada da derivadas de orden superior. En 1D, mide la curvatura — qué tan rápido cambia la pendiente. Un grande p…
Abrir lección - Paso 31~20m35⚡Reto
Linealización y Series de Taylor
Una serie de Taylor aproxima una función suave por un polinomio. Cerca de un punto , la aproximación de orden es . La aproximación de primer…
Abrir lección