Производные, градиент, цепное правило и градиентный спуск.
Практика. Реализовать градиентный спуск для линейной регрессии и построить кривую потерь при трёх значениях шага.
Практика. Вывести градиент логистической регрессии и реализовать её обучение на NumPy с проверкой градиента численно.
Градиентный спуск минимизирует функцию потерь, шаг за шагом сдвигая параметры против градиента — в сторону наибольшего уменьшения ошибки. Learning rate — размер шага: слишком…
Нейросеть — композиция слоёв: каждый делает линейное преобразование (веса и смещение) и нелинейную функцию активации (ReLU, GELU). Без нелинейности любая глубина схлопнулась бы в…
На живом собеседовании sotto слышит вопрос интервьюера и показывает короткий ответ и план. Оставьте контакт — пришлём доступ и промокод.
sotto