-
Machine Learning muhabbetleri adamın checkers öğrenmek istemesiyle başlıyor,
- Algoritma kendine karşı binlerce oyun atarak öğreniyor
-
x ve y mantığı- matematikteki fonksiyonlarda da bunu öğreniyorduk
Supervised learning mantığı cevabı vermekte yatıyor, doğru cevabı söylüyorsun bundan bir infer datası elde ediyor
-
-
Classification ın artısı daha limitli bir sonucu tahmin etmeye çalışıyorsun, 0 veya 1 var
-
-
Clustering, panda örneği
- Şu soktuğumun notasyon mantığını oturup kendim anlayamadım ya düzgün BAU’dayken
- oof of
x = input or feature
ŷ = prediction or estimate that the function outputs
y = value or target
f = function or hypotheses
-
f içerisindeki w ve b parametlerini kullanarak grafiğin eğrisini ve constantını belirliyoruz
- Buna bi bakış açısı olarak sallıyorum housing prices mantığında metrekare başına sabit genelde 1.5k ekliyoruz(Sivas için), x’in eğimi de mesela merkeze yakınlaştıkça ne kadar fiyat arttığı olabilir
-
-
Cost Function ı yarın açıklamasını yaz, bi nevi neyi anlayıp anlamadığımı görmek için
- Linear grafiği mantığında düşünmen lazım
- Her bir data noktası için;
- predictiondan actual value yı cıkartıp, mesafe için cezalandıracağımız için karesini alıyoruz
- Daha sonra bunları (sigma aracılığıyla) her biri için topluyoruz(m tane veri noktası var) sonra da sonucu 1/2m olarak alıyoruz
- We’re looking to minimize this, minimize it to as close as to 0
Gradient descent aracılığıyla cost function’daki local minimumu bulmaya çalışıyoruz,
- Bunu yaparken eğim gittikçe azaldığı için bu değer azalıyor ve eskisi kadar büyük adım atmıyor, o tepeden
Course 1 Module 2
-
-
Now we’re introduced multiple features in our examples
- dediği mesela x1 dediği zaman orada size in feet i seçme durumu
- artık vektörel değerlerle karşı karşıyayız
- i yukarıda
- j aşağıda
-
-
Vektörizasyon dediğimiz şey aslında o değişkenin ya da atadığımız denotion metodunun bir liste tutması olacak
- Burada vektör x dediği, 4 feature lı bir datasete sahip olduğumuz için x1 x2 x3 ve x4
- W vektörü de aynı şekilde
-
Bunu dot product şeklinde yazmamız da 1. nin 1.iyle çarpılması yani
- w vektörüyle x vektörünün çarpımı w1 . x1 + w2 . x2 gibi oluyor