Основы машинного обучения
Изложены основы машинного обучения, а также история его появления. Даны определения основным понятиям: выборка, объекты выборки, параметры, функционал ошибки и прочее. Описаны основы градиентного спуска и его модификаций, основные алгоритмы обучения с учителем и обучения без учителя.
Содержание
Содержание книги "Основы машинного обучения "
Отрывок из книги
11Основные понятияРассмотрим математическое описание линейного алгорит-ма модели. Алгоритм линейной модели a(x) выражается в виде взвешенной суммы a xww xijjd( )=+=е01, (1)где w0, wi — веса модели; j — номер объекта в выборке; d — ко-личество объектов в выборке; i — номер параметра объекта.Перейдем к векторной форме записи выражения (1). Для этого внесем w0 в сумму, добавив еще один признак, всегда равный 1: a xw xW Xjjjd( ),===+е11, (2)где W — вектор весовых коэффициентов; X — вектор признаков.Вернемся к вышеописанному примеру модели, предсказы-вающей количество проданных рожков мороженого в зависи-мости от температуры воздуха. Алгоритм данной модели a(t) за-пишется в виде следующей суммы: a tww tjjd( )=+=е011, (3)где t — температура воздуха; w0 и w1 — веса модели; j — номер дня, для которого известна температура воздуха и количество проданных рожков мороженого; d — количество дней.Можно выражение (3) представить также в векторной форме: a tW X( ),=.Рассмотрим функционал ошибки, используемый в зада-че регрессии. В качестве функционала ошибки в задаче ре-грессии используется среднеквадратичная ошибка. По сути своей она отображает квадрат разности между значением, полученным алгоритмом (а(х)) и ответом на обучающей вы-борке (y):
другие книги автора
С книгой "Основы машинного обучения" читают
Внимание!
При обнаружении неточностей или ошибок в описании книги "Основы машинного обучения (автор Оксана Лимановская, Татьяна Алферьева)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!
и мы свяжемся с вами в течение 15 минут
за оставленную заявку