Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Sign up for free
Menu
Search
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Pricing
Search
Sign in
Sign up for free
Automatisch differentiëren
Search
Michiel Stock
November 25, 2022
140
0
Share
Embed
Copy iframe code
Copy JS code
Copy link
Start on current slide
Automatisch differentiëren
Michiel Stock
November 25, 2022
Transcript
8 slides
AUTODIFF Photo by Matt Duncan on Unsplash Michiel Stock @michielstock
[email protected]
KERMIT 1
Automatisch differentiëren 2 Automatisch differentiëren (autodiff) is het automatisch numeriek
berekenen van afgeleiden en gradiënten van stukjes code door de computationele graaf aan te passen. een computerpakket voor autodiff
Wat is het niet? 3 symbolisch afleiden df(x) dx ≈
f(x + d) − f(x) d numeriek afleiden
Methode van Babylon 4 De methode van Babylon is een
algoritme om de vierkantswortel van een getal te berekenen x merk op dat je enkel optellen en delen gebruikt in de berekeningen
Duale nummers 5 Duale nummers zijn een heel eenvoudige manier
om autodiff te implementeren. Dit is een nieuw soort ‘getal’ dat zowel de waarde als de afgeleide bijhoudt. d (x) dx = 1 2 √ x Dit werkt!
Vergel ij k met symbolisch… 6 Vier stapjes van methode
van Babylon uitgeschreven: Boeltje afleiden maakt het nog erger…
Arti fi ciële intelligentie 7 Een artificieel neural netwerk is
een grote functie met parameters: f(θ) Men definieert dan een verliesfunctie die zegt hoe goed het netwerk werkt: ℒ( f(θ)) De afgeleide zegt hoe je de parameters moet aanpassen om het netwerk better te doen laten werken: θ ∂ℒ( f(θ)) ∂θi
Alles kan afgeleid worden! 8 vloeistofsimulaties eiwitstructuren robots fysicamodellen
More Decks by Michiel Stock
See All by Michiel Stock
AI for Phage-Host prediction
michielstock
0
160
A Slice of Infinity: Building Robust, Interpretable AI for Open-ended Biodesign
michielstock
0
62
KERMIT group structure 2025
michielstock
0
57
HDC tutorial
michielstock
2
1k
Kernel mean embedding as a unifying theory for distributional data
michielstock
0
540
Differentiable sequence alignment
michielstock
0
370
Optimal transportation for species interaction networks
michielstock
1
290
Computational tools for designing modular biosystems
michielstock
2
250
A drunkard’s walk in the science of cocktails
michielstock
0
590
Featured
See All Featured
Game over? The fight for quality and originality in the time of robots
wayneb77
1
330
svc-hook: hooking system calls on ARM64 by binary rewriting
retrage
2
680
Unlocking the hidden potential of vector embeddings in international SEO
frankvandijk
0
1k
Bootstrapping a Software Product
garrettdimon
PRO
306
120k
How GitHub (no longer) Works
holman
316
150k
職位にかかわらず全員がリーダーシップを発揮するチーム作り / Building a team where everyone can demonstrate leadership regardless of position
madoxten
70
69k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
52
6.2k
Taking LLMs out of the black box: A practical guide to human-in-the-loop distillation
inesmontani
PRO
3
2.5k
WENDY [Excerpt]
tessaabrams
15
41k
jQuery: Nuts, Bolts and Bling
dougneiner
66
8.7k
Reality Check: Gamification 10 Years Later
codingconduct
0
2.4k
The Limits of Empathy - UXLibs8
cassininazir
2
790