تطبيق نسبة مئوية عالية: الحسابات التدريجية لتعلم الآلات

ويعد النسب المتدرج خوارزمية مُستخدمة للتقليل إلى أدنى حد من وظيفة ما بالانتقال المتكرر إلى أدنى نقطة، ويُستخدم على نطاق واسع في التعلم الآلي من أجل تكييف النماذج على النحو الأمثل من خلال تعديل البارامترات للحد من الخطأ، وتوضح هذه المادة الحسابات التدريجية التي تنطوي على تطبيق النسب المتدرج في مهام التعلم الآلاتي.

فهم الغوريثم الكبير

والفكرة الأساسية للنسب المتدرج هي تحديث البارامترات النموذجية في اتجاه التدرج السلبي لوظيفة الخسارة، وتستمر هذه العملية إلى أن تلتحم المعايير إلى حد أدنى، وهو الحد الأدنى على المستوى العالمي.

عملية حساب الخطوة خطوة خطوة إلى الأمام

نفترض أن لدينا نموذجاً بسيطاً للتراجع الخطي مع وظيفة خسائر مثل الرعب المائي

وتكرر هذه العملية عدداً من حالات التكرار أو حتى يصبح تغيير الخسارة غير ذي شأن.

حساب نموذجي

Consider a single data point with input x = 2 and output y = 4]. Initialize weight w = 0.5] and bias b = 0 Use.

Calculate prediction: ⁇ = wx + b = 0.5 = 2 + 0 = 1]

خطأ مُحكم: error = ⁇ - y = 1 - 4 = -3]

مقياس الحساب:

Gradient w.r.t weight: ⁇ L/ ⁇ w = 2 * error * x = 2 (-3) * 2 = -12]

Gradient w.r.t bias: ⁇ L/ ⁇ b = 2 * error = 2 * (-3) = -6]

البارامترات المستكملة:

وزن جديد: w = 0.5 - 0.1 * (-12) = 0.5 + 1-2 = 1.7 ]

New bias: b = 0 - 0.1 * (-6) = 0.6 = 0.6]