YZG5N

摘要： 在学习了损失函数和梯度下降之后，我产生了一个更本质的问题： 梯度，是从哪里来的？ 一、引入 我们已经知道： 损失函数（Loss）用于衡量预测误差 梯度下降（Gradient Descent）用于不断优化参数 但这里有一个关键缺口： 梯度下降依赖“梯度”，那梯度是如何计算的？ 这就是今天要解决的问题 阅读全文

摘要： 一、引入 在上一节中，我们已经学习了如何利用梯度下降来不断优化参数。 但一个更本质的问题是： 模型如何判断当前的预测是“好”还是“坏”？ 要回答这个问题，我们需要引入一个核心概念——损失函数。 二、从误差到损失函数 在正式讨论损失函数之前，我们先来看“误差（Error）”： \[\text{误差} 阅读全文

摘要： Day 3 学习记录 一、今日学习目标 由于今日状态不佳，重点攻克两个核心概念： 向量的距离（欧式距离） 梯度与梯度下降 二、向量的距离（欧式距离） 本质 两个向量之间的直线距离 基本公式 设两个向量 \(\boldsymbol{a}, \boldsymbol{b}\)： \[d(\boldsymb 阅读全文

摘要： 一、今日学习目标 1、掌握矩阵核心算法：加法，数乘，矩阵乘法，转置 2、理解矩阵乘法的几何意义 3、 用NumPy实现所有的基础矩阵运算 二、矩阵的核心算法 1、矩阵加法 本质： 矩阵的对应位置相加 条件： 矩阵的行列数必须完全相同 公式： 若：A = (ai,j)，B=(bi,j) 则：C = A 阅读全文

摘要： 机器学习入门：从向量到矩阵变换 一、数据的本质：向量 在机器学习中，所有数据本质上都可以表示为向量。 例如： 身高 = 180 体重 = 70 年龄 = 20 可以表示为一个向量： x = [180, 70, 20] 向量的本质是： 按顺序排列的一组数值，用于描述一个对象的特征 二、模型的本质：矩阵 阅读全文