从零学梯度下降算法-详细推导+代码实现

80人 购买 好评度 100%
用手机看

扫一扫继续用手机看

  • 微信扫码

  • QQ扫码

下载手机APP
收藏
  • 第一期
更多班级

第一期

支持随到随学,24年10月过期

¥92.22

本班因教学质量问题暂时不能报名。 查看详情

课程因违反平台规定暂时不能报名。

立即购买

课程概述

目录

往期学员作业()

评论

老师介绍

  • Hocking

    Hocking

    博士,专注人工智能方向,比如机器学习、深度学习、 图像处理等。曾在国内知名IT企业任职,参加多项大型“云App”软件的研发工作,有五年项目开发工作经历,具备丰富的软件架构、软件设计等经验,获得多项国家工信部软件著作权,现致力于H5移动跨平台App开发和大数据技术,喜欢分享自己的开发经验,追求共同发展共同进步。
简  介 梯度下降法又被称为最速下降法(Steepest descend method),其理论基础是梯度的概念。梯度与方向导数的关系为:梯度的方向与取得最大方向导数值的方向一致,而梯度的模就是函数在该点的方向导数的最大值。
课程咨询和资料获取请加老师QQ  1011800132  

梯度下降法又被称为最速下降法(Steepest descend method),其理论基础是梯度的概念。梯度与方向导数的关系为: 梯度的方向与取得最大方向导数值的方向一致,而梯度的模就是函数在该点的方向导数的最大值

授课特色:
本课程对针对主流的梯度下降法算法进行深入浅出的原理讲解,结合实际的例子和案例进行代码的讲解和演练。

学后水平:对梯度下降法算法有更深的理解;懂得梯度下降法算法的技术难点。

视频目录:
1、从一个线性回归模型案例谈起
2、损失函数与梯度概念
3、梯度下降算法原理
4、学习率a的作用与取值
5、θ参数更新详细计算
6、梯度下降算法一般化公式
7、特征归一化
8、改进的梯度下降算法大家族
9、代码实战之数据集初始化
10、代码实战之损失函数
11、代码实战之θ参数更新

资料下载报名后支持下载

* 课程提供者:黄埔课堂