More actions
imported>rabierre ({CREATE}) |
imported>rabierre No edit summary |
||
| (8 intermediate revisions by 2 users not shown) | |||
| Line 1: | Line 1: | ||
[[머신러닝스터디/2016]] | |||
[[머신러닝스터디/2016/목차]] | |||
== 내용 == | == 내용 == | ||
* 첫날에 못 온 사람을 위해 첫날에 한 얘기를 복습함. | |||
** PCA | |||
** H(가설 함수)가 H(x) = wx + b이고 Cost function J는 기대값 H(x)와 실제값 y의 차의 제곱들의 총합이 된다(Mean squared error). | |||
** 이때 Gradient descent는 w, b, J(x)에 대해 3차원 그래프로 나타내어진다. | |||
* 동영상 분량 조절을 잘못해서 Gradient descent를 끝까지 본 사람이 없었다. | * 동영상 분량 조절을 잘못해서 Gradient descent를 끝까지 본 사람이 없었다. | ||
** 동영상을 가장 많이 본 사람([[서지혜]])가 Linear regression과 Cost function(Loss function), Gradient descent간의 관계를 설명함. | |||
== 후기 == | == 후기 == | ||
* [[이원준]]: 하고싶은 질문을 다 해서 만족스럽다. 네이버 d2 신청해보면 어떨까합니다. | * [[이원준]]: 하고싶은 질문을 다 해서 만족스럽다. 네이버 d2 신청해보면 어떨까합니다. | ||
| Line 7: | Line 13: | ||
* [[김수경]]: 이번주 바빠서 다음주부터는 열심히 볼 수 있을 것 같다. 다음주에는 내가 모르는걸 물어보거나, 내가 본 내용을 알려주는게 어떨까. 준비를 해 왔으면 좋겠다. 한 사람씩 반드시 설명을 하거나, 질문을 하거나. | * [[김수경]]: 이번주 바빠서 다음주부터는 열심히 볼 수 있을 것 같다. 다음주에는 내가 모르는걸 물어보거나, 내가 본 내용을 알려주는게 어떨까. 준비를 해 왔으면 좋겠다. 한 사람씩 반드시 설명을 하거나, 질문을 하거나. | ||
* [[강민승]]: 영상을 많이 봐야겠다. 한글 위주로 보았었다. 다른 사람한테 말할 수 있을 정도로 준비 해 오겠다. | * [[강민승]]: 영상을 많이 봐야겠다. 한글 위주로 보았었다. 다른 사람한테 말할 수 있을 정도로 준비 해 오겠다. | ||
* [[서지혜]]: 스터디에 대한 부담감이 조금 있다. 지금도 깝깝함. | * [[서지혜]]: 스터디에 대한 부담감이 조금(개미꼬딱지만큼) 있다. 지금도 깝깝함. 초반이라 별로 할 이야기가 없는듯. | ||
== 다음 시간에는 == | == 다음 시간에는 == | ||
IV. Linear Regression with Multiple Variables (Week 2) 까지 영상을 보고 옵시다. | |||
== 더 보기 == | |||
* [http://stackoverflow.com/questions/18191890/why-gradient-descent-when-we-can-solve-linear-regression-analytically why-gradient-descent-when-we-can-solve-linear-regression-analytically] | |||
* [http://stats.stackexchange.com/questions/23128/solving-for-regression-parameters-in-closed-form-vs-gradient-descent solving-for-regression-parameters-in-closed-form-vs-gradient-descent] | |||
------- | |||
[[활동지도/2016]], [[머신러닝스터디/2016]] | |||
Latest revision as of 17:31, 24 July 2016
내용
- 첫날에 못 온 사람을 위해 첫날에 한 얘기를 복습함.
- PCA
- H(가설 함수)가 H(x) = wx + b이고 Cost function J는 기대값 H(x)와 실제값 y의 차의 제곱들의 총합이 된다(Mean squared error).
- 이때 Gradient descent는 w, b, J(x)에 대해 3차원 그래프로 나타내어진다.
- 동영상 분량 조절을 잘못해서 Gradient descent를 끝까지 본 사람이 없었다.
- 동영상을 가장 많이 본 사람(서지혜)가 Linear regression과 Cost function(Loss function), Gradient descent간의 관계를 설명함.
후기
- 이원준: 하고싶은 질문을 다 해서 만족스럽다. 네이버 d2 신청해보면 어떨까합니다.
- 유재범 한 사람의 진취도가 월등히 높지 않아서 누가 끌고 가는게 아니니까 모여서 영상을 보는게 어떨까요.
- 김수경: 이번주 바빠서 다음주부터는 열심히 볼 수 있을 것 같다. 다음주에는 내가 모르는걸 물어보거나, 내가 본 내용을 알려주는게 어떨까. 준비를 해 왔으면 좋겠다. 한 사람씩 반드시 설명을 하거나, 질문을 하거나.
- 강민승: 영상을 많이 봐야겠다. 한글 위주로 보았었다. 다른 사람한테 말할 수 있을 정도로 준비 해 오겠다.
- 서지혜: 스터디에 대한 부담감이 조금(개미꼬딱지만큼) 있다. 지금도 깝깝함. 초반이라 별로 할 이야기가 없는듯.
다음 시간에는
IV. Linear Regression with Multiple Variables (Week 2) 까지 영상을 보고 옵시다.
더 보기
- why-gradient-descent-when-we-can-solve-linear-regression-analytically
- solving-for-regression-parameters-in-closed-form-vs-gradient-descent