Я не очень понял пакетный градиентный спуск. Допустим есть две переменные, то есть два признака. Получаются веса w1 и w2. (А свободный коэффициент участвует или нет?) Всего пусть будет 4 объекта. И вот как мы находим новую точку? Новый вес w1 будет равен сумме весов w1 по каждому объекту / 4 - производная по этому новому усредненному весу или как? Или нужно отдельно рассчитать производные по w1 по каждому объекту, а потом усреднить?
![[DeepLearning | видео 2] Градиентный спуск: как учатся нейронные сети](http://i.ytimg.com/vi/f9oDe4Yq4E0/mqdefault.jpg)
![[DeepLearning | видео 2] Градиентный спуск: как учатся нейронные сети](/img/tr.png)
![30 ชั่วโมงคนเดียว บนรถไฟชั้น 3 โซเวียต [Around The World Ep. 2]](http://i.ytimg.com/vi/MlE9boAVqDA/mqdefault.jpg)
Большое спасибо! Одно из самых понятных объяснений!
Очень понятно объяснил, спасибо большое!!!
очень доходчиво. спасибо за видео, разобрался наконец)
Жаль что вы забросили канал( Как бы я хотел у вас спросить несколько вещей
Я не очень понял пакетный градиентный спуск. Допустим есть две переменные, то есть два признака. Получаются веса w1 и w2. (А свободный коэффициент участвует или нет?)
Всего пусть будет 4 объекта. И вот как мы находим новую точку? Новый вес w1 будет равен сумме весов w1 по каждому объекту / 4 - производная по этому новому усредненному весу или как? Или нужно отдельно рассчитать производные по w1 по каждому объекту, а потом усреднить?
Живо. Полезно!
ниче не слышно, но очень интересно
Абсолютно бесполезно с точки зрения практики. Просто показал известную всем формулу, а как ей пользоваться, похоже, сам не знает
@user53242 вообще нет, стоит рассмотреть генеративный ИИ, можно понять, что Ии уже хорошо развит
да уж, прирожденный препод
ешо етот видео хорошо обяснает ету тему th-cam.com/video/RJCIYBAAiEI/w-d-xo.html
Понял что ничего не понял.