Silabus Pelajaran 20 dari 246 · Modul 1: Python untuk kursus ini
Modul 1: Python untuk kursus ini

Proyek mini: sesuaikan garis dengan nudging

Kenapa ini penting Beginilah cara setiap neural network belajar, tanpa istilah yang rumit. Kamu akan melakukannya di sini sebelum ia punya nama.

Beberapa titik terletak kira-kira pada sebuah garis y = slope * x + intercept, tapi kita tidak tahu kemiringan atau titik potongnya. Mulai dengan keduanya di angka 0. Ukur seberapa salah garis tersebut: error adalah rata-rata dari (prediksi dikurangi kebenaran) kuadrat. Lalu geser sedikit.

Resep nudging

  1. Coba slope sedikit lebih tinggi, dan sedikit lebih rendah. Pilih yang mana pun yang memperkecil error, jika ada yang berhasil.
  2. Lakukan hal yang sama untuk intercept.
  3. Ulangi. Jika tidak ada dorongan yang membantu, buat dorongannya lebih kecil, dan berhenti saat sudah sangat kecil.

Kesalahan terjadi selangkah demi selangkah sampai barisnya berada di titik tersebut. Di Modul 3 kamu akan mengganti "coba kedua arah" dengan rumus yang memberi tahu kamu arah mana yang menurun secara langsung. Rumus itu adalah gradient, dan berjalan di sepanjangnya disebut gradient descent. Apa yang kamu bangun di sini, mencoba setiap pengaturan ke atas dan ke bawah secara bergantian, punya nama sendiri: coordinate search. Itu lebih lambat, tapi idenya sama yaitu berjalan ke arah menurun.

Mean squared error: rata-rata dari setiap kesalahan yang dikuadratkan. Penguadratan membuat setiap kesalahan menjadi positif dan memberi hukuman lebih besar pada kesalahan yang besar.

Ringkasan Ukur seberapa salah kamu, beri dorongan, simpan yang membantu, ulangi.

Kata dan simbol di pelajaran ini
mean, spread
rata-rata, dan kira-kira seberapa jauh nilai-nilai tersebut dari rata-rata (standar deviasi)
Giliranku

Tulis mse(slope, intercept, x, y) dan fit_line(x, y). fit_line menggunakan resep nudging: mulai dari 0 dan 0 dengan nudge 1.0, bagi dua nudge setiap kali tidak ada nudge yang membantu, berhenti saat nudge di bawah 0.0001, dan kembalikan (slope, intercept). Tes tersembunyi memeriksa apakah error pada data baru mendekati yang terbaik.

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.