در این جلسه از سری آموزش‌های یادگیری ماشین دانشگاه استنفورد با مقیاس بندی ویژگی‌ها در گرادیان نزولی آشنا می‌شویم. همچنین نرمال سازی داده‌ها و شروط اجرای آن را معرفی می‌کنیم. چرا از مقیاس بندی ویژگی‌ها در گرادیان نزولی استفاده می‌کنیم؟ در جلسه قبل، الگوریتم گرادیان نزولی برای چند متغیر را تعریف کردیم. با اضافه شدن اطلاعت بیشتر دربارهمقیاس بندی ویژگی‌ها در گرادیان نزولی Feature Scaling in Gradient Descent– قسمت بیستم دوره یادگیری ماشین دانشگاه استنفورد[…]

در این جلسه از سری آموزش‌های یادگیری ماشین دانشگاه استنفورد، شکل جدید الگوریتم گرادیان نزولی برای چند متغیر را معرفی می‌کنیم. در ادامه گرادیان نزولی را برای رگرسیون خطی چند متغیره به کار می‌گیریم. مروری بر آنچه آموختیم در جلسه گذشته با رگرسیون خطی چند متغیره آشنا شدیم. برداری برای متغیرها و برداری دیگر برای اطلاعت بیشتر دربارهالگوریتم گرادیان نزولی برای چند متغیر Gradient Descent for Multiple Variables – قسمت نوزدهم دوره یادگیری ماشین دانشگاه استنفورد[…]

در این جلسه رگرسیون خطی چند متغیره آشنا می‌شویم. در جلسات گذشته با رگرسیون خطی معمولی آشنا شدیم. این یک ورژن قدرتمندتر است. در این حالت می‌توان چند ویژگی یا متغیر را به کار برد.