Matematičke osnove AI

Sadržaj

Prvi deo: Logika, skupovi, funkcije i linearna algebra

Matematičke osnove veštačke inteligencije predstavljaju temelj za razumevanje modela, algoritama i načina na koji računarski sistemi uče iz podataka. Prvi deo praktikuma uvodi logiku, skupove, relacije, funkcije, vektore, matrice, geometrijsku intuiciju i osnovne operacije linearne algebre. Cilj nije apstraktna matematika radi matematike, već razumevanje pojmova koji se svakodnevno koriste u mašinskom učenju, neuralnim mrežama, optimizaciji i analizi podataka.

I. Zašto matematika za AI

1. Zašto matematika za AI – most između intuicije, podataka i modela 2. Šta AI zaista računa – brojevi, obrasci, greške i odluke 3. Matematički jezik modela – simboli, izrazi, promenljive i značenje 4. Intuicija pre formula – kako razumeti matematiku bez straha 5. Matematika u ML i neuralnim mrežama – gde se koristi u praksi

II. Logika, skupovi i relacije

6. Logika i istinitosne vrednosti – tačno, netačno, uslovi i zaključivanje 7. Logički operatori – AND, OR, NOT, implikacija i pravila odlučivanja 8. Skupovi – elementi, podskupovi, unija, presek i razlika 9. Relacije – veze između objekata, osobina i podataka 10. Preslikavanja i funkcije – kako ulaz postaje izlaz

III. Funkcije, grafici i promenljive

11. Funkcije u AI – model kao funkcija koja uči iz primera 12. Linearne funkcije – prava, nagib, odsečak i jednostavni modeli 13. Nelinearne funkcije – krive, složeni obrasci i moć modela 14. Grafici i vizuelno razumevanje – kako videti ponašanje funkcije 15. Normalizacija i skaliranje – priprema brojeva za učenje modela

IV. Linearna algebra: vektori, matrice i prostor

16. Vektori – podaci kao tačke, pravci i numerički opisi 17. Operacije sa vektorima – sabiranje, množenje skalarom i dužina 18. Skalarni proizvod – sličnost, projekcija i ugao između vektora 19. Matrice – organizacija podataka, transformacije i težine modela 20. Množenje matrica – osnovna operacija u neuralnim mrežama

Drugi deo: Verovatnoća, statistika, izvodi, gradijenti i optimizacija

Kada se razumeju funkcije, vektori i matrice, slede oblasti koje objašnjavaju kako AI modeli uče iz nesigurnih, šumovitih i promenljivih podataka. Drugi deo praktikuma vodi kroz verovatnoću, raspodele, statistiku, srednje vrednosti, varijansu, korelaciju, funkcije greške, izvode, parcijalne izvode, gradijente i optimizaciju. Poseban naglasak je na tome kako se matematički pojmovi pretvaraju u praktičan proces treniranja modela.

V. Verovatnoća i nesigurnost

21. Verovatnoća – kako AI razmišlja o nesigurnosti 22. Uslovna verovatnoća – kada jedan događaj menja očekivanje drugog 23. Bajesova teorema – učenje iz novih dokaza i podataka 24. Raspodele – kako se vrednosti pojavljuju u podacima 25. Slučajne promenljive – numerički opis neizvesnih pojava

VI. Statistika i razumevanje podataka

26. Srednja vrednost, medijana i mod – osnovni opis podataka 27. Varijansa i standardna devijacija – koliko se podaci rasipaju 28. Korelacija – kako se promenljive kreću zajedno 29. Uzorak, populacija i bias – kada podaci ne predstavljaju stvarnost 30. Statistika u mašinskom učenju – od opisa podataka do procene modela

VII. Izvodi, gradijenti i funkcije greške

31. Šta je izvod – promena, nagib i pravac kretanja funkcije 32. Parcijalni izvodi – promena po jednoj promenljivoj u složenom modelu 33. Gradijent – kompas koji pokazuje pravac najveće promene 34. Funkcije greške – kako model meri razliku između predikcije i istine 35. Loss landscape – pejzaž greške kroz koji model traži bolje rešenje

VIII. Optimizacija i matematička osnova učenja

36. Gradient descent – kako model korak po korak smanjuje grešku 37. Learning rate – veličina koraka u učenju modela 38. Konveksnost i lokalni minimumi – zašto optimizacija nije uvek laka 39. Regularizacija – matematički način da model ne pamti napamet 40. Mini projekat – matematičko razumevanje jednog jednostavnog AI modela

Zaključak: Matematičke osnove AI kao most između intuicije, modela i inteligentnih sistema