Публикации по теме 'convexity'
Любопытный случай выпуклых функций.
Проверка выпуклости функции
Любопытный случай выпуклых функций.
Углубленное понимание выпуклых функций и способов проверки выпуклости.
Большая часть онлайн-литературы по введению в машинное обучение начинается с описания алгоритма линейной регрессии. Обычно алгоритм линейной регрессии подробно описывается с использованием среднеквадратичной ошибки (MSE) в качестве функции потерь. MSE - выпуклая функция. Свойство выпуклости открывает решающее преимущество, когда локальные минимумы..
Понимание выпуклости: почему градиентный спуск работает для линейной регрессии
Связь между выпуклой оптимизацией и машинным обучением
Когда я впервые начал самоучиться машинному обучению, я был удивлен, узнав, что у меня уже был некоторый опыт в этом. В колледже я прошел только один вводный курс по информатике, поэтому ожидал, что кривая обучения будет намного выше. Мне пригодился мой предыдущий урок линейной алгебры, а также Серия линейной алгебры 3Blue1Brown (очень рекомендую). Чего я не ожидал, так это моего урока по оптимизации. Вероятно, это связано с..
Почему выпуклость - ключ к оптимизации
Машинное обучение
Почему выпуклость - ключ к оптимизации
Это просто с выпуклыми функциями стоимости
Самое интересное, с чем вы впервые столкнетесь, когда начнете заниматься машинным обучением, - это алгоритм оптимизации, а точнее, градиентный спуск, который представляет собой итеративный алгоритм оптимизации первого порядка, используемый для минимизации функции затрат.
Интуиция за градиентным спуском сводится к решению, которым может быть локальный минимум в окрестности или, в..