গ্রেডিয়েন্ট বংশোদ্ভূত বনাম lm () ফাংশন আর?

Question

স্ট্যানফোর্ডে অ্যান্ড্রু এনগির বিনামূল্যে অনলাইন মেশিন লার্নিং কোর্সে আমি ভিডিওগুলি নিয়ে যাচ্ছি । তিনি গ্রেডিয়েন্ট বংশোদ্ভূতকে অ্যালগরিদম হিসাবে অষ্টাভে এটি সম্পাদন করার জন্য লিনিয়ার রিগ্রেশন এবং লেখার কাজগুলি সমাধান করার জন্য আলোচনা করেন ses সম্ভবত আমি আর এ ফাংশনগুলি আবার লিখতে পারি, তবে আমার প্রশ্নটি কি lm () ফাংশনটি ইতিমধ্যে আমাকে লিনিয়ার রিগ্রেশন আউটপুট দেয় না? আমি কেন আমার নিজস্ব গ্রেডিয়েন্ট বংশোদ্ভূত ফাংশন লিখতে চাই? কিছু সুবিধা আছে বা এটি নিখুঁতভাবে শেখার অনুশীলন হিসাবে? Lm () গ্রেডিয়েন্ট বংশোদ্ভূত না?

Comments

আমি মনে করি যে ক্ষেত্রে আর তেমন ভাল সমাধান না হওয়ার ক্ষেত্রে আপনাকে গ্রেডিয়েন্ট বংশোদ্ভূত নিজেকে অন্য ভাষায় প্রয়োগ করতে হবে (উদাহরণস্বরূপ, রিগ্রেশনের কিছু প্রকরণ যেমন বড় ডেটার সাহায্যে নিয়মিত করা হয়)

— মানোয়েল গ্যাল্ডিনো

Answer 1

গ্রেডিয়েন্ট বংশোদ্ভূত আসলে লিনিয়ার রিগ্রেশন সমস্যা সমাধানের খুব দরিদ্র উপায়। আর-এর lm()ফাংশনটি অভ্যন্তরীণভাবে কিউআর পচনের একধরণের ব্যবহার করে , যা যথেষ্ট বেশি দক্ষ। তবে গ্রেডিয়েন্ট বংশোদ্ভূত হ'ল একটি সাধারণ উপযোগী কৌশল এবং এই সাধারণ প্রসঙ্গে পরিচয় করিয়ে দেওয়ার মতো, যাতে এটি আরও জটিল সমস্যায় কীভাবে প্রয়োগ করা যায় তা পরিষ্কার। যদি আপনি নিজের সংস্করণটিকে একটি শেখার অনুশীলন হিসাবে প্রয়োগ করতে চান তবে এটি একটি সার্থক জিনিস, তবে lm()আপনি যা চান তার সবই লিনিয়ার রিগ্রেশন করার সরঞ্জাম হিসাবে যদি একটি ভাল পছন্দ হয়।

Comments

@ মার্টিন lm () তবুও আরও ভাল থাকতে পারে যদি আমাদের অনেক বৈশিষ্ট্য থাকে?

— ব্যবহারকারী2626445

Answer 2

অনলাইন গ্রেডিয়েন্ট যে কারণে দরকারী তা বড় স্কেল অ্যাপ্লিকেশনগুলির জন্য। যাই হোক না কেন, এখন এমন গ্রন্থাগার রয়েছে যা এটি প্রয়োগ করে যাতে আপনার এটি প্রোগ্রাম করার দরকার নেই। জিনিসগুলি কীভাবে কাজ করে তা শেখার এটি একটি ভাল উপায়।

লিওন বোটো কথায়:

ইঞ্জিনিয়ারিং সমস্যা হিসাবে প্রথমে বড় আকারের মেশিন লার্নিংয়ের সাথে যোগাযোগ করা হয়েছিল। উদাহরণস্বরূপ, একটি বৃহত প্রশিক্ষণের সেটটি অর্জন করার জন্য, আমরা একটি পরিচিত মেশিন লার্নিং অ্যালগরিদম চালাতে একটি সমান্তরাল কম্পিউটার ব্যবহার করতে পারি বা একটি পরিচিত মেশিন লার্নিং অবজেক্টিভ ফাংশনটি অনুকূল করতে আরও উন্নত সংখ্যাসূচক পদ্ধতিগুলি গ্রহণ করতে পারি। এই জাতীয় দৃষ্টিভঙ্গি আবেদনকারী অনুমানের উপর নির্ভর করে যে কেউ মেশিন লার্নিং সমস্যার গুনগত দিক থেকে পরিসংখ্যানিক দিকগুলি ডিক্লুপ করতে পারে।

এই কাজটি দেখায় যে এই অনুমানটি ভুল, এবং এটি ছেড়ে দেওয়া যথেষ্ট কার্যকর শেখার অ্যালগরিদমের দিকে পরিচালিত করে। একটি নতুন তাত্ত্বিক কাঠামোটি অ্যালগরিদম শেখার ক্ষেত্রে আনুমানিক অপ্টিমাইজেশনের প্রভাব বিবেচনা করে।

বিশ্লেষণটি ছোট-স্কেল এবং বৃহত-স্কেল শেখার সমস্যার ক্ষেত্রে স্বতন্ত্র ট্রেড অফকে দেখায়। ক্ষুদ্র-স্কেল শেখার সমস্যাগুলি সাধারণ আনুমানিক – অনুমান ট্রেড অফের সাপেক্ষে। বৃহত্তর স্কেল লার্নিং সমস্যাগুলি একটি গুণগতভাবে পৃথক ট্রেড অফের সাথে জড়িত যা অপ্রান্তিক উপায়ে অন্তর্নিহিত অপ্টিমাইজেশন অ্যালগরিদমগুলির গণ্য জটিলতার সাথে জড়িত। উদাহরণস্বরূপ, স্টোচাস্টিক গ্রেডিয়েন্ট ডেসেন্ট (এসজিডি) অ্যালগরিদমগুলি মাঝারি মানের অপ্টিমাইজেশনের অ্যালগরিদম হিসাবে উপস্থিত বলে মনে হয় এবং তবুও বড় আকারের শিখন সমস্যাগুলিতে অত্যন্ত ভাল পারফর্ম করার জন্য প্রদর্শিত হয়।

বড় স্কেল শেখা

প্রকল্প প্রকল্প