8.4 Dimensionality reduction

📌 Ushbu darsda siz quyidagilarni o'rganasiz: 1️⃣ Nima uchun dimensionality reduction kerak — 768 o'lchamli BERT, 2048 o'lchamli ResNet50 embeddinglarini ko'rish mumkin emas; Curse of Dimensionality nima uchun yuqori o'lchamda ma'lumotlar "siyrak" bo'lib ketadi 2️⃣ PCA (1901) — eng eski va eng tez usul: eigendecomposition orqali eng muhim yo'nalishlarni topish, Variance Explained nima va necha komponent yetarli ekanligi 3️⃣ Latent Space — modelning ichki "tasavvur fazosi": nima uchun o'xshash rasmlar yaqin, boshqalar uzoq joylashadi; king - man + woman ≈ queen — vektor arifmetikasi orqali ma'no 4️⃣ t-SNE (2008) — chiziqsiz usul: klasterlarni aniq ko'rsatadi, lekin sekin va stoxastik; PCA ko'ra olmagan egri tuzilmalarni topadi 5️⃣ UMAP (2018) — bugungi standart: t-SNE dan 10-100x tezroq, global tuzilishni yaxshi saqlaydi; Hugging Face, bioinformatika, NLP da keng ishlatiladi 🎯 Bu dars orqali siz quyidagini chuqur tushunasiz: Model hech qachon "3 raqami yumaloq shaklga ega" deb o'rganmagan. U faqat piksellardan o'rganadi. Lekin latent spaceda barcha "3"lar yaqin joylashadi — bu modelning ichki tushunishi. Dimensionality reduction — bu modelni "ichidan ko'rish" oynasi. ResNet, BERT, CLIP, Stable Diffusion kabi modellar ichida qanday tuzilish borligini — klasterlar, anomaliyalar, o'xshashliklar — faqat shu usullar orqali ko'rish mumkin. Debug qilish, model sifatini baholash, anomaly detection — barchasi latent space vizualizatsiyasiga asoslanadi. Bu darsdan keyin siz har qanday modelning embeddinglarini olib, ularni 2D grafikda ko'rsata olasiz va "model nima o'rganган" degan savolga vizual javob bera olasiz. 👉 Kurs rejasi (to'liq): 🔗   / deep-learning-matematikasi-intensiv-kurs-r...   📌 Telegram kanal: 👉 https://t.me/EldorML