나는 코 세라에서 앤드류 응의 인기있는 기계 학습 과정을 시작했습니다. 첫 주에는 적어도 몇 년 동안 많은 미적분을 다루지 않은 사람에게는 많은 것을 다룹니다.
- 비용 함수(평균 차이의 제곱)
- 그라디언트 디센트
- 선형 회귀
이 세 가지 주제는 많이 다루었습니다. 나는 자세히 각각에 대해 얘기하자,그들은 모두 함께 맞는 방법,일부 파이썬 코드를 보여.
5 월 4 일 편집: 나는 직관,손으로 계산하는 방법 및 두 개의 다른 파이썬 구현을 포함하여 비용 함수가 여기에서 어떻게 작동하는지에 초점을 맞춘 후속 조치를 발표했습니다. 그라디언트 디센트를 수행 한 다음 곧 선형 회귀를 위해 함께 가져올 수 있습니다.
모델 표현
첫째,대부분의 기계 학습 알고리즘의 목표는 모델을 구성하는 것입니다. 예를 들어,집 크기와 판매 가격을 포함하는 많은 주택 데이터를 기반으로 모델을 훈련한다고 가정 해 보겠습니다. 모형을 훈련해서,너가 그것에 기초를 두는을 위해 너의 집을 이는 크기 매출할 수 있는 까 얼마에 나는 너에게 견적을 줄 수 있는다. 이 회귀 문제의 예입니다-일부 입력 주어진,우리는 연속 출력을 예측하려고합니다.
가설은 일반적으로 다음과 같이 제시됩니다
세타 값은 매개 변수입니다.
가설을 시각화하는 방법에 대한 몇 가지 빠른 예:
이 값은 다음과 같습니다. 0 엑스 는 기울기가 없음을 의미하며 항상 상수 1.5 가됩니다. 이 같은:
어때요