1. Вектор как запись объекта

Возьмем квартиру. Человек описывает ее словами: площадь 42 м2, две комнаты, 700 метров до метро. Модель не работает с такими словами напрямую. Ей нужен численный объект. Поэтому мы задаем схему: x = [площадь, комнаты, расстояние до метро]. Тогда квартира превращается в x = [42, 2, 0.7].

Важно, что порядок компонент - часть смысла. [42, 2, 0.7] и [2, 42, 0.7] содержат похожий набор чисел, но для модели это разные входы. Во втором случае модель подумает, что площадь равна 2, а комнат 42. Ошибка не математическая, а смысловая: нарушен контракт данных.

2. Размерность - это количество признаков

Если в векторе три компоненты, его размерность равна 3. Это не обязательно физическое трехмерное пространство. Это признаковое пространство: каждая ось отвечает за один признак. В примере оси такие: площадь, комнаты, расстояние.

Когда признаков становится 100, 768 или 4096, картинку уже нельзя нарисовать глазами. Но правила остаются теми же. Эмбеддинг слова в transformer-модели может иметь сотни или тысячи компонент. Каждая компонента сама по себе обычно плохо интерпретируется, но весь вектор хранит полезное представление объекта.

3. Почему масштаб признаков важен

Площадь в нашем примере измеряется десятками, комнаты - единицами, расстояние - дробными числами. Если модель использует расстояния или скалярные произведения, разные масштабы начинают влиять на вычисления. Признак с большими числами может доминировать просто из-за единиц измерения.

Поэтому в ML часто нормализуют признаки: приводят их к сопоставимым масштабам. Это не меняет смысл объекта, но меняет координаты, в которых модель работает с объектом.

4. Что значит 'модель видит вектор'

Когда мы говорим 'модель видит квартиру', это сокращение. На самом деле модель получает массив чисел. Дальше она применяет к нему операции линейной алгебры: скалярные произведения, матричные умножения, нормы, проекции.

В нейросети первый линейный слой тоже берет вектор или матрицу векторов и умножает на матрицу весов. Поэтому понимание входного вектора - первый шаг к пониманию того, что происходит внутри модели.

Связь с AI

Так модель получает квартиру, слово, пользователя или картинку на вход.

Типичные ошибки

• Смотреть на числа без схемы признаков.
• Путать порядок компонент: [площадь, комнаты] и [комнаты, площадь] - разные входы.
• Думать, что размерность всегда можно представить как обычное 2D/3D пространство.
• Игнорировать масштаб признаков и единицы измерения.

Практика

Проверка

Объяснить, почему [42, 2, 0.7] и [2, 42, 0.7] - разные данные.