ترجمه فارسی مقاله سخنرانی‌های TASI در مورد فیزیک برای یادگیری ماشین

چکیده

These notes are based on lectures I gave at TASI 2024 on Physics for Machine Learning. The focus is on neural network theory, organized according to network expressivity, statistics, and dynamics. I present classic results such as the universal approximation theorem and neural network / Gaussian process correspondence, and also more recent results such as the neural tangent kernel, feature learning with the maximal update parameterization, and Kolmogorov-Arnold networks. The exposition on neural network theory emphasizes a field theoretic perspective familiar to theoretical physicists. I elaborate on connections between the two, including a neural network approach to field theory.

چکیده به فارسی (ترجمه ماشینی)

این یادداشت ها براساس سخنرانی هایی است که من در TASI 2024 در مورد فیزیک برای یادگیری ماشین ارائه کردم.تمرکز بر نظریه شبکه عصبی است که مطابق با بیان شبکه ، آمار و پویایی سازماندهی شده است.من نتایج کلاسیک مانند قضیه تقریبی جهانی و مکاتبات فرآیند شبکه عصبی / Gaussian را ارائه می دهم ، و همچنین نتایج اخیر مانند هسته مماس عصبی ، یادگیری ویژگی با پارامترهای به روزرسانی حداکثر و شبکه های Kolmogorov-Annold.نمایش نظریه شبکه عصبی بر یک دیدگاه نظری میدانی که برای فیزیکدانان نظری آشنا است ، تأکید می کند.من در مورد ارتباطات بین این دو ، از جمله یک رویکرد شبکه عصبی به نظریه میدانی توضیح می دهم.