s464900/uczenie-maszynowe
1
0
Fork 0
forked from pms/uczenie-maszynowe
Code Pull Requests Activity

Objaśnienia do wersji macierzowej GD, 'trenowanie' -> 'uczenie'

Browse Source
This commit is contained in:
Paweł Skórzewski 2022-10-28 15:04:47 +02:00
parent ebf6db8ef1
commit a8a5821848
2 changed files with 19 additions and 4 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

4
wyk/02_Regresja_liniowa.ipynb
View File

@ -38945,7 +38945,7 @@
"\n",
"Odpowiedź polega po prostu na zastosowaniu funkcji $h$ z wyznaczonymi w poprzednim kroku parametrami $\\theta$.\n",
"\n",
"Na przykład, jeżeli miasto ma $536\\,000$ ludności, to $x = 53.6$ (bo dane trenujące były wyrażone w dziesiątkach tysięcy mieszkańców, a $536\\,000 = 53.6 \\cdot 10\\,000$) i możemy użyć znalezionych parametrów $\\theta$, by wykonać następujące obliczenia:\n",
"Na przykład, jeżeli miasto ma $536\\,000$ ludności, to $x = 53.6$ (bo dane uczące były wyrażone w dziesiątkach tysięcy mieszkańców, a $536\\,000 = 53.6 \\cdot 10\\,000$) i możemy użyć znalezionych parametrów $\\theta$, by wykonać następujące obliczenia:\n",
"$$ \\hat{y} \\, = \\, h_\\theta(x) \\, = \\, \\theta_0 + \\theta_1 \\, x \\, = \\, 0.0494 + 0.7591 \\cdot 53.6 \\, = \\, 40.7359 $$\n",
"\n",
"Czyli używając zdefiniowanych wcześniej funkcji:"
@ -39008,7 +39008,7 @@
}
},
"source": [
"Czy możemy w tym celu użyć danych, których użyliśmy do wytrenowania modelu?\n",
"Czy możemy w tym celu użyć danych, których użyliśmy do uczenia modelu?\n",
"**NIE!**\n",
"\n",
" * Istotą uczenia maszynowego jest budowanie modeli/algorytmów, które dają dobre przewidywania dla **nieznanych** danych – takich, z którymi algorytm nie miał jeszcze styczności! Nie sztuką jest przewidywać rzeczy, które już sie zna.\n",

19
wyk/03_Regresja_liniowa_2.ipynb
View File

@ -157,7 +157,9 @@
" & = & \\theta^T \\, x \\\\\n",
" & = & x^T \\, \\theta \\\\\n",
"\\end{array}\n",
"$$"
"$$\n",
"\n",
"($x$ oznacza pojedynczy przykład ze zbioru uczącego)."
]
},
{
@ -221,6 +223,19 @@
"$$"
]
},
{
"cell_type": "markdown",
"metadata": {
"slideshow": {
"slide_type": "subslide"
}
},
"source": [
"$$h_\\theta(X) = X \\theta$$\n",
"\n",
"($X$ oznacza macierz reprezentującą cechy wszystkich przykładów ze zbioru uczącego)."
]
},
{
"cell_type": "code",
"execution_count": 3,
@ -900,7 +915,7 @@
}
},
"source": [
"Cechy w danych treningowych przyjmują wartości z zakresu:"
"Cechy w danych uczących przyjmują wartości z zakresu:"
]
},
{