Сейчас, в эпоху науки о данных, когда все без ума от машинного обучения, мы часто забываем основы. Теперь в нашем распоряжении множество данных, новые модные графические процессоры, библиотеки ML / DL. Кого волнуют лежащие в основе линейная алгебра и исчисление ? На самом деле мы должны заботиться. Глубокое обучение не будет вечным черным ящиком, в который вы просто помещаете некоторые данные и тренируете их, изменяя некоторые значения, пока он не получит правильный ответ...

Градиент Градиент измеряет, насколько изменится результат функции, если вы немного измените входные данные. Он просто измеряет изменение всех весов по отношению к изменению ошибки и итеративно корректирует значения, используя вычисления, чтобы они минимизировали заданную функцию. Вы также можете думать о градиенте как о наклоне функции. Чем выше градиент, тем круче наклон и тем быстрее может обучаться модель. Но если наклон равен нулю, модель прекращает обучение. Говоря более..

Экскурсия по машинному обучению и глубокому обучению Введение в алгоритм персептрона От теории к практике, изучите основные принципы Perceptron и реализуйте алгоритм с помощью стохастического градиентного спуска. В этом блоге будут освещены следующие вопросы и темы 1. Что такое перцептрон? 2. Стохастический градиентный спуск для персептрона. 3. Реализация на Python 1. Что такое перцептрон? Perceptron заложил основы для моделей нейронных сетей в 1980-х годах. Алгоритм был..

Реализуйте многомерную линейную регрессию с нуля на python без использования sklearn. Линейная регрессия — это тип алгоритма машинного обучения, который пытается смоделировать взаимосвязь между функциями и целевыми переменными, подгоняя линейное уравнение к наблюдаемым данным. Линейное уравнение в многомерных данных задается - Y = β0​+ β1​x1​ + β1​x2​ +…+βn​xn + c здесь β — различные наклоны для соответствующих объектов, а c — константа (смещение). Я не буду утомлять вас..