바이오 대표

! Automatic differentiation 을 이용해서 ML 과, optimization 에서 활용할 수 있다. physical engines to learn robot controls differentiating protein structures modeling of molecular mechanisms

Machine learning 중 Neural Network 를 이용한 트레이닝에서 backpropagation 을 이용해 모델의 parameters 을 재조정한다. Backpropagation이 reverse differentiation 이다. julia> using Zygote julia> f'(a) julia> Zygote.gradient(f, a) julia> Zygote.gradient((x1, x2) -> (x1^2 + x2^2 - 0.1x1*x2) / (x1 + 1.0), ⋅ 0.2, 0.3)

Computer algebra systems 을 이용해서 굳이 머리쓰지않고 쉽게 미분을 할 수 있다. Maple Sympy (Python) Mathematica Maxima Symbolics (Julia) julia> using Symbolics julia> f(x) = log(x) + sin(x) / x julia> Dx(f(x)) julia> df_sym = expand_derivatives(Dx(f(x))) julia> df = build_function(df_sym, x) |> eval #builds an expression and turns it into a function julia> df(2.0) # 0.06460222502000837

몇년 동안 대학, 대학원 공부를 하면서 참 많이도 다뤘던 taylor series 이지만 제대로 개념을 챙긴적이 없다. 그러다가 교수님이 알려주신 동영상,,,, 갓 유투브 사랑합니다. approximate function 만들기 - 확실한 point, 에를 들어 cos graph = 1 at x = 0 - consider tangent line (derivative) - consider positive/ negative rate or slope (second derivative) 더 나아가보면 요소를 추가하면 추가할수록 해당 그래프와 더 비슷한 approximate function 을 만들 수 있고 이를 Taylor polynomical 이라 칭한다 => convergence to answer value..