11 documents tagués avec "optimization"

Classification binaire avec score linéaire, probabilité sigmoïde, perte logarithmique et gradients de paramètres obtenus par la règle de la chaîne.

Un vocabulaire concis pour les modèles, les pertes, le risque empirique, la vraisemblance, la régularisation, l’optimisation et la généralisation.

Comment les dérivées permettent d’analyser les points critiques, la monotonie, la concavité, la dérivation implicite et la méthode de Newton.

Extension à deux paramètres par dérivées partielles, mises à jour vectorielles et considérations de convergence.

La mise à jour de descente de gradient à une variable, les compromis du taux d'apprentissage, les minima locaux et un exemple d'implémentation compact.

Dérivation et application des mises à jour de pente et d'ordonnée à l'origine d'un modèle linéaire aux moindres carrés.

Le gradient comme direction et taux de variation locaux, avec des applications à l’optimisation multidimensionnelle et à la régression.

Un pont entre les extrema du calcul différentiel, les fonctions objectifs et les pertes en apprentissage automatique.

Un processus d’optimisation fondé sur le calcul différentiel, reliant fonctions objectif, extrema, contraintes et exemples de modélisation appliquée.

Pourquoi la perte logarithmique mesure l’erreur de classification probabiliste et comment le calcul la relie à l’optimisation de vraisemblance.

Une unité linéaire unique pour la régression, avec perte quadratique, gradients issus de la règle de chaîne et mise à jour des paramètres.