[04] Գծային ռեգրեսիան զրոյից - Գործնական | Մեքենայական ուսուցում

🔗 Դասընթացին միանալու հղումը՝ https://t.me/metric_academy 📚 Նյութը՝ https://hayktarkhanyan.github.io/pyth... ⏳ Թեմաներ՝ (Opus 4.8) 0:00 Ներածություն ու գործնական դասի պլան 1:19 Տվյալների գեներացիա ու seed-ի ֆիքսում 3:00 Արագ վիճակագրություն ու scatter plot 4:27 Մոդել առանց ազատ անդամի. գրադիենտի ածանցում 6:06 Գրադիենտային վայրէջքի իմպլեմենտացիա 7:42 Զուգամիտության գրաֆիկ ու գուշակման գիծ 9:48 Ազատ անդամի ավելացում ու դիզայն մատրից 12:30 Անվերացնելի աղմուկ, էնտրոպիա ու diffusion 14:07 Learning rate-ի փորձարկում 16:41 Stochastic ու mini-batch gradient descent 21:32 Batch size-ը պրակտիկայում ու gradient accumulation 22:36 Նորմալ հավասարում 24:31 Inference. գուշակություն նոր տվյալների վրա 25:47 Պոլինոմիալ ռեգրեսիա ու overfitting 28:01 Condition number 29:57 Գրադիենտի տրայեկտորիա ու վեկտորիզացիա 31:56 Ամփոփում 33:32 Գրադարաններ vs մաթեմատիկա (հարց ու պատասխան) 📌 Նկարագիր (Opus 4.8) Գործնական դասի առաջին մասը՝ գծային ռեգրեսիան ձեռով, զրոյից։ Սկզբում սինթետիկ տվյալներ ենք գեներացնում (509·x գումարած գաուսյան աղմուկ), seed-ը ֆիքսում, հետո մեր ձեռքով գրած գրադիենտային վայրէջքով մոդել ենք սարքում՝ սկզբում առանց ազատ անդամի, հետո մեկերի սյունակի (դիզայն մատրից) տրյուկով ազատ անդամն էլ ենք ավելացնում ու տեսնում, թե ինչքան ա լավանում։ Խաղում ենք learning rate-ի հետ ու տեսնում ոնց ա խայտառակ մեծ ալֆայով տարամիտում, համեմատում ենք batch, mini-batch ու stochastic gradient descent-ը, անցնում նորմալ հավասարմանը (անալիտիկ լուծում), inference-ին, պոլինոմիալ ռեգրեսիային ու overfitting-ին, condition number-ին։ Վերջում նաև տեսնում ենք՝ վեկտորիզացիան ցիկլից որքան անգամ ա արագ, ու մի լավ զրույց՝ ինչու հարցազրույցներին մաթեմն ա կարևոր, ոչ թե գրադարան անգիր անելը։ #ՄեքենայականՈւսուցում #ԳծայինՌեգրեսիա #GradientDescent #MachineLearning #LinearRegression #SGD #overfitting #NumPy #ML #մաթեմատիկա #Python