Studoši

Kako odabiremo najbolju stopu učenja? Ima čitava ona priča u skripti, ali postoji li neki kraći odgovor bez toliko teoretiziranja tipa. ona za koju će pogreška bit min/max?

BillIK anyone?

BillIK ali postoji li neki kraći odgovor bez toliko teoretiziranja tipa. ona za koju će pogreška bit min/max?

Ne

To se, uostalom, rješava i drukčijim algoritmima, a ne samo drukčijom vrijednosti i otvoreni je (potencijalno nerješivi) problem.

Jel imao netko problema s Pycharmom i prikazivanjem grafova? Uopce mi se ne prikaze graf u Pycharmu nego se otvori novi smrznuti prozor (Not responding). Kad isti kod pokrecem u browseru, najnormalnije se prikazuje. Nisam uspio nista korisno naci na internetu

čakijale zakomentiraj onaj red u prvoj celiji inline pylab, al nemoj zaboraviti vratiti kada pokazujes asistentu

Zna netko ovaj

brr
-\log(1-\sigma(0.15+\mathbf{w}^\intercal\mathbf{x}))=0.274 \\ -\log\sigma(0.15+\mathbf{w}^\intercal(2\mathbf{x})) =\space?

1-\sigma(0.15+\mathbf{w}^\intercal\mathbf{x})=e^{-0.274} \\ \sigma(0.15+\mathbf{w}^\intercal\mathbf{x})=1-e^{-0.274} \\ \mathbf{w}^\intercal\mathbf{x}=\log(-\frac{1-e^{-0.274}}{1-e^{-0.274}-1})-0.15 \\ =\log(\frac{1-e^{-0.274}}{e^{-0.274}})-0.15 \\ =\log(e^{0.274}-1)-0.15

-\log\sigma(0.15+\mathbf{w}^\intercal(2\mathbf{x})) = -\log\sigma(0.15+2\mathbf{w}^\intercal\mathbf{x}) \\ =-\log\sigma(0.15+2(\log(e^{0.274}-1)-0.15)) \\ =-\log\sigma(0.15+2(\log(e^{0.274}-1)-0.15)) \\ =-\log\sigma(2\log(e^{0.274}-1)-0.15) \\ \approx 2.54

Rene Gdje piše da se uzima da je nulta bazna funkcija konstantno preslikavanje značajki u 1? Ne mogu naći to u literaturi na intranetu niti se sjećam da je to naglašeno u videopredavanju.

bodNaUvidima nije nužno ali na ptedavanju je snajder rekao da je uobicajeno
Bar ja tako imam u biljeskama

BillIK Idealna stopa učenja bi bila ona s kojom možeš izaći iz svakog lokalnog minimuma i uvijek završiti u globalnom, a to znati unaprijed je koliko znam nemoguće.

BillIK a nema bas neki definitan odgovor. Velike stope ucenja su u pravilu brze, ali ne nuzno jer ovisi kakve gradijente pogadas. Dodatno ako je stopa prevelika onda raste sansa da ti algoritam divergira. Uglavnom, trazis omjer brzine i tocnosti, koliko sam shvatio.

Ducky

Ovdje sam vec odgovorio Dragi prijatelj strojnog učenja

viliml
Kako si došao do ove prve dvije formule?

Rene možda sam ja omašio ceo fudbal, al zašto primjeri nisu linearno odvojivi? jel ih ne bi mogla odvojiti ploha y=0 npr.?

[obrisani korisnik] ne znam što misliš pod “y” ali s obzirom da je x2 = 0 onda možeš skicirat ove primjere s ovim preslikavanjima:
\phi_0 i \phi_2 izgledaju kao lijeva slika (član x1×2 zanemaruješ jer je uvijek 0), a \phi_1 izgleda kao desna slika (zanemaruješ x2 i x2²)

Rene aa hvala ja sam gledao y kao vrijednosti i onda sam zapravo crtao (x, y) graf pa mi nije bilo jasno jer na njemu su odvojivi. tako nesto bi bilo ok za regresiju ili ni tada?

[obrisani korisnik] linearna odvojivost primjera == mogućnost da ih odvojiš u klase hiperravninom, nema veze s regresijom

Zna netko 4 i 6 iz dz08/v08?

dinoo angello2
Kao prvo, u SVM-u se w_0 tretira posve zasebno od svega ostaloga. Dakle treba izbrisati prvi stupac matrice dizajna i prvu vrijednost u vektoru \mathbf{w}.
Zatim treba pronaći oznake primjera i odrediti koji od njih su potporni. To se lako vidi iz vrijednosti hipoteze \mathbf{w}^\intercal\mathbf{x}^{(i)}+w_0.
Sada samo treba primijeniti ekvivalentnost primarnog i dualnog modela \mathbf{w}=\sum_{i=1}^N{\alpha_iy^{(i)}\mathbf{x}^{(i)}} da se nađu vrijednosti dualnih parametara.
Nedostatak preciznosti u zadanim vrijednostima može malo zakomplicirati stvar jer neće biti točne jednakosti, aproksimacija se može učiniti robustnijom tako da se iskoristi ograničenje \sum_{i=1}^N{\alpha_iy^{(i)}=0} i tako smanji broj varijabli za 1.

dinoo Jel iko rjesio 4.? Meni se cini da je rjesenje pod B tocno?

moze bar neko objasnjenje za 6. zad iz ispita? probo sam svasta i nikad mi ne ispadne ovo njihovo rjesenje

viliml ja i dalje ne dobivam njhovo rješenje, čak ni ne dobivam da mi predikcija za neke primjere daje 1 pa nemam ni potporne vektore…