Все статьи и конспекты
Мат. анализГрадиентный спускОптимизацияML
1 мин чтение

Математический анализ: Производные, Градиенты и Оптимизация

Математический анализ в CS и ML: градиентный спуск (SGD, Adam), матрица Гессе, метод множителей Лагранжа и выпуклая оптимизация.

Исходная заготовка: полнота объяснения и примеров ожидает редакторской проверки.

Градиентный спуск

θt+1=θt−η∇L(θt)\theta_{t+1} = \theta_t - \eta \nabla L(\theta_t)

Что дальше?

Вернитесь к обучению и выберите следующий материал.

Изучено — к обучению →

Отметка сохранится в этом браузере. Её можно отменить или снять кнопкой «Изучено».