文件名称：演算派生梯度下降数据科学介绍000
文件大小：262KB
文件格式：ZIP
更新时间：2024-03-15 11:09:10
JupyterNotebook
了解渐变下降中的渐变 介绍 如您所知，我们进入了对衍生工具的讨论，以确定沿着成本曲线移动的步骤的大小和方向。 我们首先在单个变量函数中使用导数，以查看成本曲线的输出相对于回归线变量之一的变化是如何变化的。 然后，我们了解了偏导数，以了解三维成本曲线如何响应回归线的变化。 但是，我们尚未明确显示偏导数如何应用于梯度下降。 好吧，这就是我们希望在本课中展示的内容：解释我们如何使用偏导数找到最小化成本函数的路径，从而找到我们的“最佳拟合”回归线。 什么是梯度？ 现在，梯度下降从字面上意味着我们正在沿着最短的路径下降到最小值。 但是，比起下降，理解梯度上升要容易一些，而且两者之间是非常相关的，因此这就是我们要开始的地方。 您可能会猜到，梯度上升只是意味着我们要朝最陡峭的上升方向移动。 现在朝着函数$ f（x，y）$的最大上升方向移动，这意味着我们的下一步是在$ x $方向上走一段距离，然后
【文件预览】：
calculus-derivation-gradient-descent-data-science-intro-000-master
----DirectionGradientAscent.png(21KB)
----gradientdescent.png(112KB)
----ascent-2d.png(21KB)
----Denali.jpg(16KB)
----3dx3y.png(32KB)
----gradient-plot.png(22KB)
----CONTRIBUTING.md(2KB)
----graph.py(4KB)
----x3y.png(48KB)
----index.ipynb(9KB)
----LICENSE.md(1KB)
----.gitignore(41B)
----.learn(87B)
----README.md(7KB)