从最小二乘到DNN：六段代码了解深度学习简史

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

本帖隐藏的内容

Coding the History of Deep Learning - FloydHub Blog.pdf (281.45 KB)

2017-9-24 23:00:46 上传

从最小二乘到DNN：六段代码了解深度学习简史.pdf (1.1 MB)

2017-9-24 23:00:45 上传

1. 深度学习都从这个数学片段开始的（我已经把它翻译成 Python）：
   
2. 
   
3. # y = mx + b
   
4. # m is slope, b is y-intercept
   
5. def compute_error_for_line_given_points(b, m, coordinates):
   
6.     totalError = 0
   
7.     for i in range(0, len(coordinates)):
   
8.         x = coordinates[i][0]
   
9.         y = coordinates[i][1]
   
10.         totalError += (y - (m * x + b)) ** 2
    
11.     return totalError / float(len(coordinates))
    
12. 
    
13. # example
    
14. compute_error_for_line_given_points(1, 2, [[3,6],[6,9],[12,18]])
    
15. 
    
16. 这个算法由法国数学家 Adrien-Marie Legendre 首次发表（1805, Legendre），他的另一大成就是确立标准米。他沉迷于预测彗星的位置。他根据彗星之前的几个位置进行不懈搜索，寻找计算彗星轨迹的方法。
    
17. 这真的是愚公移山一样的工作。他尝试了多种方法，终于找到了一个方法：首先猜测彗星未来的位置，然后平方误差，最后重新猜测以减少平方误差的总和。这就是线性回归损失函数的基础。
    
18. 
    
19. 在 Jupyter notebook 上运行上述代码，并逐渐熟悉它。m 代表系数（coefficient），b 代表预测中的常量，coordinates 代表彗星的位置。目的就是找到 m 和 b 的一种组合，使误差最小化

复制代码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

谢谢楼主分享！

THANKS