Perceptron-algoritmi - Helsinki.fi

More documents

Recommendations

Info

Tälläviikolla Sisältösuunnitelma: • Lineaarinen regressio − Pienimmän neliösumman menetelmä • Lineaarinen luokittelu − <strong>Perceptron</strong>-<strong>algoritmi</strong> 2
Lineaarinenregressio • Tarkastellaan tilannetta, jossa X = R d , Y = R, ja tavoitteena on ennustaa hyvin tappiofunktion L2 (neliövirhe) suhteen. • Lineaarisessa regressiossa ennustajat ovat muotoa fw(x) = x · w, missä w ∈ R d on ennustajan fw parametrivektori ja · tarkoittaa pistetuloa. • On siis etukäteen päätetty, että koneoppijan tuottaman ennustajan täytyy olla fw jollakin w ∈ R d . Koneoppijan tehtäväksi jää löytää hyvä w. 3
Page 1: Viikko 3: Lineaarista regressiota j
Page 5 and 6: Lineaarinenregressiokoneoppimisteht
Page 7 and 8: Funktion ˆ L(w)minimointi • Mite
Page 9 and 10: Gradienttijaääriarvot • Jos fun
Page 11 and 12: Funktion ˆ Losittaisderivaatatjagr
Page 13 and 14: Regularisoinnista • Edellä on se
Page 15 and 16: Funktion ˆ Lridgeminimoinnista •
Page 17 and 18: Lineaarinenluokittelijageometrisest
Page 19 and 20: Lineaaristenluokittelijoidenoppimin
Page 21 and 22: Perceptron-algoritmipseudokoodina w
Page 23 and 24: Perceptron-algoritminkonvergenssi

Perceptron-algoritmi - Helsinki.fi

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?