المنهج الدراسي الدرس 20 من 246 · الوحدة 1: Python لهذه الدورة
الوحدة 1: Python لهذه الدورة

مشروع صغير: ملاءمة خط عن طريق الإزاحة

لماذا هذا مهم هذه هي الطريقة التي تتعلم بها كل شبكة عصبية، بعد إزالة المصطلحات المعقدة. ستقوم بذلك هنا قبل أن يكون لها اسم.

تقع بعض النقاط تقريبًا على خط y = slope * x + intercept، لكننا لا نعرف الميل أو التقاطع. ابدأ بكليهما عند 0. قس مدى خطأ الخط: الـ error هو متوسط (prediction ناقص truth) تربيع. ثم قم بإزاحة بسيطة.

وصفة النقر

  1. جرب الميل أعلى قليلا، وأقل قليلا. احتفظ بما يقلل الخطأ، إذا قام أي منهما بذلك.
  2. افعل الشيء نفسه بالنسبة للتقاطع.
  3. كرر. إذا لم تساعد الدفعة، اجعل الدفعة أصغر، وتوقف عندما تصبح صغيرة جدا.

يحدث الخطأ خطوة بخطوة حتى يستقر السطر على النقاط. في Module 3 ستستبدل "try both directions" بمعادلة تخبرك أي اتجاه هو المنحدر فوراً. تلك المعادلة هي gradient، والمشي على طولها يسمى gradient descent. ما تبنيه هنا، عبر تجربة كل إعداد للأعلى وللأسفل بالتناوب، له اسمه الخاص: coordinate search. إنه أبطأ، لكنه نفس فكرة المشي نحو الأسفل.

متوسط مربع الخطأ: هو متوسط كل خطأ بعد تربيعه. عملية التربيع تجعل كل خطأ موجبا وتعاقب الأخطاء الكبيرة بشكل أكبر.

ملخص قياس مدى الخطأ، التعديل، الإبقاء على ما يفيد، التكرار.

الكلمات والرموز في هذا الدرس
mean، spread
المتوسط، ومدى بعد القيم عنه تقريبًا (الانحراف المعياري)
دورك

اكتب mse(slope, intercept, x, y) و fit_line(x, y). يستخدم fit_line وصفة النقر: ابدأ من 0 و 0 مع نقرة بقيمة 1.0، وقسم النقر إلى النصف كلما لم تساعد النقر، وتوقف عندما تكون النقر أقل من 0.0001، وأرجع (slope, intercept). يختبر الاختبار المخفي ما إذا كان الخطأ على البيانات الجديدة قريبا من أفضل قيمة ممكنة.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.