Özet - Lineer cebir
- Makine Öğrenmesi kursu
- Başlangıç
- Ders 36/112
- 6 dk
Bu grupta vektör, matris, çarpım ve transpoz işlemlerini öğrendin.
Özet: lineer cebir
ML'nin dili lineer cebirdir:
- Vektör: bir örnek ya da ağırlıklar; nokta çarpım = doğrusal tahmin.
- Matris: veri seti ya da katman ağırlıkları; yayınlama ile satır işlemleri.
- Matris çarpımı (
@): (m, n) @ (n, p) = (m, p), toplu tahmin. - Transpoz, birim matris, ters: normal denklem ve Ridge.
tahmin = X @ w + b
w = np.linalg.solve(X.T @ X + 0.1 * np.eye(X.shape[1]), X.T @ y) # RidgeBir şekil hatası alınca matris çarpımının iç boyutlarını kontrol et.
Uygulama Ridge kapalı çözümü
alpha = 1.0 ile Ridge ağırlıklarını np.linalg.solve(X.T @ X + alpha * np.eye(2), X.T @ y) ile bul ve 3 basamağa yuvarlayıp (np.round) yazdır.
Başlangıç kodu
import numpy as np
X = np.array([[1, 0], [0, 1], [1, 1]])
y = np.array([1, 2, 3])
alpha = 1.0
# buraya yazÖrnek çözüm
import numpy as np
X = np.array([[1, 0], [0, 1], [1, 1]])
y = np.array([1, 2, 3])
alpha = 1.0
w = np.linalg.solve(X.T @ X + alpha * np.eye(2), X.T @ y)
print(np.round(w, 3))Beklenen çıktı
[0.875 1.375]
Soru ve cevaplar
Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.
1 <code>X</code> (100, 4) ve <code>W</code> (4, 8) için <code>X @ W</code> neyi temsil eder?
- 8 örneğin 100 çıktısı
- 4 özelliğin ortalaması
- Hata
- 100 örneğin her biri için 8 çıktı Doğru cevap
Açıklama: Sonuç (100, 8) şeklindedir: bir katmanın 100 örnek için 8 nörondaki çıktısı.
2 Köşegene alpha ekle.
Soru
A = X.T @ X + alpha * np.____(X.shape[1])
Cevap
A = X.T @ X + alpha * np.eye(X.shape[1])Açıklama: np.eye ile yalnızca köşegene ekleme yapılır.
3 Kavramları ML karşılıklarıyla eşleştir.
| Kavram | Anlamı |
|---|---|
Vektör |
Tek örnek |
Matris |
Veri seti |
Nokta çarpım |
Doğrusal tahmin |
Matris çarpımı |
Toplu tahmin |