ai.harri.at¶
Ein kompaktes Wiki, das von der statistischen Inferenz über das Machine Learning bis zur modernen künstlichen Intelligenz führt. Die Seiten bilden einen Lernpfad: Jeder Teil baut auf dem vorherigen auf, aber jede Seite ist so geschrieben, dass sie auch für sich allein verständlich ist.
Ein Modell, drei Perspektiven
Die logistische Regression zieht sich durch das ganze Wiki. In der Statistik schätzt man mit ihr, wie Einflussgrößen die Chancen (Odds) eines binären Ergebnisses verändern; im Machine Learning dient sie als Basis-Klassifikator; und ein einzelnes künstliches Neuron mit Sigmoid-Aktivierung berechnet genau dieselbe Funktion. Wer dieses eine Modell durch alle drei Teile verfolgt, sieht gut, wie die Gebiete zusammenhängen.
Der Lernpfad¶
| Teil | Zentrale Frage | Einstieg |
|---|---|---|
| 1. Statistische Inferenz | Was sagt eine Stichprobe über die Grundgesamtheit aus, und wie unsicher ist diese Aussage? | Statistische Inferenz |
| 2. Machine Learning | Wie lernt man aus Daten ein Modell, das auch für neue Daten gute Vorhersagen liefert? | Machine Learning |
| 3. AI | Wie funktionieren neuronale Netze, Transformer und Sprachmodelle? | AI |
Wichtige Begriffe sind im Glossar zusammengefasst.
Vorkenntnisse¶
Vorausgesetzt wird Schulmathematik: Funktionen, Summen, Logarithmen und etwas Wahrscheinlichkeitsrechnung. Einige Abschnitte verwenden Vektoren und Matrizen; sie können überflogen werden, ohne den roten Faden zu verlieren.
Mathematische Notation¶
Formeln werden im Browser gesetzt. Skalare werden kursiv geschrieben (\(x\)), Vektoren fett und klein (\(\mathbf{x}\), \(\boldsymbol\beta\)), Matrizen fett und groß (\(\mathbf{X}\)). Ein Beispiel ist die Dichte der Normalverteilung mit Erwartungswert \(\mu\) und Standardabweichung \(\sigma\):
Im Aufbau
Dies ist eine frühe Version des Wikis. Die Seiten werden laufend erweitert und überarbeitet.