¿Qué es un máximo y un mínimo?
Clase 9 de 12 • Curso Básico de Cálculo Diferencial para Data Science e Inteligencia Artificial
Contenido del curso
Clase 9 de 12 • Curso Básico de Cálculo Diferencial para Data Science e Inteligencia Artificial
Contenido del curso
Romel Manrique
Juan R. Vergara M.
Rubén Cuello
Javier Suárez Meerhoff
Juan R. Vergara M.
frluenga
Juan R. Vergara M.
Patricia Carolina Perez Felibert
Juan R. Vergara M.
Jhon Freddy Tavera Blandon
Eduardo Monzón
Jose Fabian Mosquera Julian
Jhon Freddy Tavera Blandon
Tadeo Juarez
David Fernando Vargas Mejía
Daniel Andres Rojas Paredes
Daniel Andres Rojas Paredes
Usando sympy para hallar los maximos y minimos
Esta sera la expresion utilizada para este ejemplo:
from sympy import * init_printing( use_latex='mathjax' ) x = Symbol('x') expr = x**4 - 3*x**2 # ^^ esta es nuestra expresion expr_d = Derivative(expr, x, evaluate=True) # ^^ esta es la derivada de nuestra expresion
Eq(expr_d, 0)
solve(Eq(expr_d, 0))
Puedes utilizar un jupyter notebook para verificar este proceso 😉.
Gran aporte crack
otra forma de saber si los puntos criticos son maximos o minimos es mediante el estudio de la segunda derivada. en muchos casos este metodo es mas rápido.
gracias!
Gracias por el aporte.
Estas son las bases para entender el descenso del gradiente, ahora hay que resolver el problema de los máximos locales y mínimos locales.
Por cierto, el descenso del gradiente tiene buen uso en machine learning :D
👍
Esta clase es muy importante para entender como funciona el descenso del gradiente
De acuerdo.
En matemáticas, un máximo y un mínimo son valores extremos de una función que representan los puntos más altos y más bajos, respectivamente. Estos extremos son importantes en el análisis de funciones, ya que brindan información sobre los puntos críticos y las características de la función. A continuación, se describen con más detalle cada uno de ellos:
Máximo:
Mínimo:
Gracias por el resumen.
con la segunda derivada determinas los máximos y mínimos; con la primera derivada f'(X1) = 0 entonces sabemos que hay un máximo o un mínimo en x1, con la segunda deriva f'' (x1) = valor (-) (+). si es (-) es un máximo; si es (+) es un mínimo.
Solución al Reto
El uso del mínimo o del máximo depende de como planteamos el problema
Si buscamos la combinación de parámetros que nos de la menor cantidad de errores posibles entonces estaremos haciendo aprendizaje no supervisado o supervisado, donde buscamos que se equivoque lo menos posible. El descenso de gradiente y el mínimo nos ayuda a esto porque intentamos llegar al valor mas bajo, lo que representa que esta cometiendo menos errores. Entonces lo que hace es cambiar parámetros con cada entrenamiento para ver que combinación nos da una pendiente mas negativa que con el paso de los entrenamientos nos lleve al mínimo de la función donde el margen de error es 0
Si usamos aprendizaje por refuerzo entonces estaremos buscando la mayor cantidad de aciertos, por lo que le daremos una recompensa cada vez que la red neuronal haga un buen trabajo. Esto hará que modifique sus parámetros en función a cuando recibe una recompensa hasta llegar al máximo, aquí mediremos con el ascenso de gradiente. Imagina cuando entrenaste a tu IA para jugar rocket league, cada vez que le pegaba al balón le dabas una recompensa lo que le decía a la IA que lo estaba haciendo bien y orientaba sus parámetros hacia lo que hizo bien, con el objetivo de llegar a la máxima cantidad de aciertos que es nuestro máximo de la función
Toco volver a las vieja escuela y leerse un articulo de khan academy, pero contestamos bien.
aaaa evaluando el limite cuando se acerca a 0 por izquierda y por derecha
evaluando la funcion en esos puntos , si es mayor o menor que 0 y si es el maximo o el minimo de esos puntos