Напишем алгоритм Linear Regression и Logistic Regression. Закодируем градиентный спуск.

С нуля на Питоне напишем данные алгоритмы. Веса определим итерационно, методами полного градиентного спуска, MiniBatch и SAG. Из линейной регрессии сделаем логистическую регрессию применив сигмоидную функцию. 0:00 Содержание видео 0:44 Начало. Создаём данные не глядя на клавиатуру 2:23 Пишем класс линейной регрессии по полному градиенту 10:47 Готово. Проверяем 11:50 Как на скорость сходимости влияет шаг обучения Далее я лоханулся и в случайном градиентном спуске вместо подвыборки наблюдений делал подвыборку по весам, хотя в лекциях чётко было сказано - объекты (т.е. наблюдения). Думаю не сложно это исправить. 15:15 Делаем градиент по методу MiniBatch 17:05 Градиент методом SAG 18:30 Переделываем на логистическую регрессию (классификация) 22:08 Что-то пошло не так 22:38 Мы это сделали! А что мы сделали? Этот и другой код по ML на GitHub https://github.com/tka400