¿Asumo que estás interesado en contribuir?
Si observa las primeras lecciones del curso de Andrew Ng (consulte la respuesta de Bill Paseman a ¿Cuáles son los algoritmos de aprendizaje profundo más importantes? ¿En qué orden debo aprenderlos?), Resuelve un problema de predicción utilizando la regresión lineal estándar.
Es decir, para un conjunto de Ys (precios predichos de la vivienda) y una matriz de coeficientes A (metraje cuadrado, edad del hogar, ubicación de la vivienda), se ajusta a un hiperplano (intersección, pendiente, …) utilizando la fórmula estándar
- ¿Cuáles son las diferentes estrategias de gestión de datos? ¿Sus ventajas y desventajas?
- ¿Qué tan importante es el cálculo para la ciencia de datos?
- ¿Es la información de sistemas informáticos (CIS) una buena especialidad para la ciencia de datos?
- ¿Cuál puede ser un buen comienzo para una persona que no es de TI como yo en el campo de los datos?
- ¿AlphaGo Zero amenaza el campo de la ciencia de datos ya que Zero no necesita capacitación y análisis de big data?
x = (AT * A) .I * AT * y (Esta es la notación numpy de Python).
Ahora, a medida que aplica este enfoque a una gran cantidad de datos (millones de ys) con miles de características, A se vuelve muy grande e invertir AT * A es problemático.
Entonces, Ng introduce el método de descenso de gradiente. Aquí, adopta una solución inicial (incorrecta), toma los parciales y los usa para viajar gradualmente ‘hacia abajo’ de la superficie hiperdimensional a un mínimo local (o si tiene suerte, global).
Este enfoque se usa de forma recursiva en redes neuronales.
Si ha terminado con los textos estándar de mecánica de fluidos de pregrado (p. Ej., Fenómenos de transporte, 2a edición revisada: R. Byron Bird, Warren E. Stewart, Edwin N. Lightfoot: 9780470115398: Amazon.com: Libros) Las ecuaciones deben parecer bastante familiares y descubrir muchas maneras de resolverlos rápidamente es donde se dedica mucho tiempo.
¿Es eso lo que estabas buscando?
