文件名称：导数数据科学入门-000
文件大小：535KB
文件格式：ZIP
更新时间：2024-03-21 10:43:06
JupyterNotebook
直线导数 学习目标 了解导数是函数的瞬时变化率 了解如何计算直线的导数 介绍 在讨论梯度下降算法步长的课程中，我们填写了有关如何使用梯度下降找到“最佳拟合”回归线的更多信息。 即，我们学习了如何有效地改变回归线的y截距以最小化残差平方和。 我们通过将一个回归线参数-假设我们的y截距$ b $的变化的大小和方向校准为在该值$ b $处与成本曲线相切的直线的斜率来完成此操作。 切线是指在给定点“仅接触”曲线的线。 下面的曲线显示了具有$ b $不同值的回归线的RSS。 我们的橙色，绿色和红色线分别在各自的点处与曲线相切。 使用我们的梯度下降算法，斜率的绝对值越大，我们的回归线参数的变化就越大-也就是说，我们的步长就越大。 当斜率在$ b = 70 $时为-146.17时，我们采取的步幅要比在$ b = 85 $时斜率等于-58.51时更大。 到目前为止，这是我们所知道的： 如何通过使
【文件预览】：
introduction-to-derivatives-data-science-intro-000-master
----.gitignore(41B)
----straight-line.png(24KB)
----curve-tangent-d1.png(29KB)
----kris-kross.jpg(233KB)
----fn-rise-run.png(28KB)
----LICENSE.md(1KB)
----side-by-side.png(22KB)
----deltaxdeltay.png(28KB)
----CONTRIBUTING.md(2KB)
----curve-tangent-pt1.png(29KB)
----fxderivative.png(26KB)
----graph.py(5KB)
----README.md(10KB)
----fake-cost-curve.png(24KB)
----curve-tangent-pt01.png(29KB)
----running-miles.png(22KB)
----3x-rise-run.png(27KB)
----tangent-lines.png(33KB)
----side-derivative.png(23KB)
----.learn(87B)
----straight-line-tangent.png(30KB)
----index.ipynb(14KB)