На отметке 7:27 на видео векторизации на неделе 2 Эндрю раскрывает векторизованную реализацию для градиентного спуска в линейной регрессии. Я объясню части, которые я нашел сложными, и, надеюсь, это тоже поможет вам! Цель

Распространенные решения, распространенные ошибки: настройка моделей на ваши данные Четыре ловушки, на которые следует обратить внимание при использовании популярных решений машинного обучения для ваших данных Допустим, вы хотите обучить классификатор. Вы с радостью применяете популярный учебник, который вы нашли, к вашему набору данных, но разочаровываетесь, когда видите результаты: ваша модель работает плохо. Вы выполнили все шаги реализации, но популярное решение вас не устроило...

Только что закончил просмотр сеанса MLOps, организованного DeepLearning.AI с участием Эндрю Нг , Чипа Хуена , Раджат Монга , Лоуренса Морони и Роберта Кроу . Вот 6 из многих моментов, которые мне показались интересными: 1. Эндрю Нг делится анекдотом о том, как однажды он возглавлял команду, работавшую над проблемой распознавания речи, которая построила систему с потрясающей производительностью на тестовом наборе - даже лучше, чем человеческий уровень! Но бизнес-команда..

Что такое машинное обучение? Предлагаются два определения машинного обучения. Артур Сэмюэл описал это как «область исследования, которая дает компьютерам возможность учиться без явного программирования». Это старое, неофициальное определение. Том Митчелл предлагает более современное определение: «Говорят, что компьютерная программа учится на опыте E в отношении некоторого класса задач T и показателя производительности P, если ее производительность при выполнении задач в T,..

Эта модель является альтернативой архитектуре кодировщика-декодера RNN (см. Предыдущий блог ) и действует аналогично тому, как люди переводят. Поэтому не дожидаясь ввода всего предложения перед переводом, а начинайте делать это на ходу, просматривая одну часть исходного предложения за раз. Чтобы спроектировать модель таким образом, нам нужен контекст слов, на которые сеть обращает внимание, чтобы генерировать последующие слова. «Веса внимания» (α) обозначают, сколько внимания следует..