Translation of "gradient descent" to Japanese language:
Examples (External sources, not reviewed)
| That's gradient descent. | このような場合は最新のステップから生じて 同時に更新されます |
| This equation describes gradient descent. | 最初は少し怖気づきますよね |
| Here's the idea for gradient descent. | 最初になんらかの初期値を theta 0 と theta 1 に対し推定します |
| Here's what gradient descent looks like. | 繰り返し何度も更新していく |
| So, here's my gradient descent update rule. | 更新ルールがあります この式です さて どうなるでしょか |
| So, let's see how gradient descent works. | 勾配降下法で解く場合に疑われる問題としては |
| So that's linear regression with gradient descent. | もしあなたが上級線形代数のコースを |
| The idea is to use gradient descent. | 全タイムステップで誤差を最小化する方向に 1ステップ進ませる方法です |
| Another good way of using gradient descent. | この解説では実装方法に触れていませんが 問題ありません |
| Thrun Here is a final gradient descent quiz. | このような損失関数で この点から勾配降下法を始めた場合 |
| Now there's one more subtlety about gradient descent which is, in gradient descent, we're going to update theta0 and theta1. | 最急降下法では theta 0 と theta 1 を更新します ですから この更新は j 0 と j 1 に対して実行されます よって theta 0 を更新し theta 1 |
| So I wanna take another step of gradient descent. | マジェンタ色の点からの場合よりさらに小さなステップでこの緑の点から進みます さて 新しい |
| So, that's the outline of the gradient descent algorithm. | 導関数項の詳細について説明します 書き出しはしましたが定義しません |
| You now know about linear regression and gradient descent. | ここから次は これらのアイデアの いくつかの重要な拡張を伝授する予定だ |
| In gradient descent, you start with an initial guess, | 反復回数をゼロとするw₀を繰り返し更新します |
| Gradient descent is very similar to blindfolded hill climbing. | 次は山ではなく谷に入って谷底を探しましょう |
| So, without needing an iterative algorithm like gradient descent. | そんなアルゴリズムについて話す時 |
| Before we get into gradient descent, let's first answer the question, what is a gradient? | 勾配とは何でしょうか 質問に答えるために 目隠しした登山者の助けを借ります |
| Here's the gradient descent algorithm that we saw last time. | このパラメータ この項 alpha は学習率といいます |
| You can wind up with an implementation of gradient descent. | 実装する事が出来る |
| So in gradient descent we start with W1 0 and W0 0 where the upper cap 0 corresponds to the iteration index of gradient descent. | 上付き文字のゼロは反復回数を表します では反復していきましょう |
| J, without needing to use and iterative algorithm like gradient descent. | アルゴリズム無しで解く方法 このコースでも後ほど |
| But for now, using the algorithm you just learned, now we're using batch gradient descent, you now know how to implement gradient descent, or linear regression. | 使っていく つまりここではバッチ勾配降下法を使う いまや勾配降下法または線形回帰を |
| But the term batch gradient descent means that refers to the fact that, in every step of gradient descent we're looking at all of the training examples. | 勾配降下法の各ステップで 全てのトレーニング手本を 見ている という事実を |
| In the previous video, we gave a mathematical definition of gradient descent. | もっと掘り下げて行きましょう このビデオでは アルゴリズムの挙動 |
| Imagine we initialized gradient descent with that point on the upper right. | その右上の地点だと想像してください このプロセスを繰り返して その地点で立ち止まって 周りを見渡し |
| And when people talk about gradient descent, they always mean simultaneous update. | 最急降下法について話す時は 常に同時更新という意味で使っています もし 非同時更新を実装しても おそらく動作はすると思います |
| We want to minimize this, and we're going to use gradient descent. | 勾配降下法では十分に緩やかだと言える 下部の傾斜が得られるまで |
| And let's try to understand why gradient descent would do on this function. | 理解します さて これが関数 |
| look at the map. This is the definition of the gradient descent algorithm. | これを実行し 収束するまで続けます |
| I think this captures the essence of what's going on with gradient descent. | まず最小化しようとしている関数の正体を 理解します |
| And these expressions look nasty, but what it really means is we subtract an expression like this every time we do gradient descent from W1 and an expression like this every time we do gradient descent from W0, which is easy to implement, and that implements gradient descent. | 実際にこの式を引くのは 常にw₁から勾配降下する時です こちらの式はw₀から勾配降下する場合です |
| Right, now let's say I've initialized gradient descent with theta one at this location. | ですから 関数上のこと点から開始すると想像してください 最急降下法が行うのは |
| Thrun It's interesting to see how to minimize a loss function using gradient descent. | 線形回帰Lは正解データから線形関数を引き それを2乗したものの和です |
| In order to use either gradient descent or one of the advance optimization algorithms. | 使うためには この入力であるパラメータ シータをとり |
| So, after one step of gradient descent, my new derivative is a little bit smaller. | 最急降下法でまた一ステップ更新したいと思います 当然 いくぶん |
| And so this on right hand side is not a correct implementation of gradient descent. | 実装方法ではありません なぜ同時更新が必要なのかについては |
| And what you should do is to really implement the simultaneous update of gradient descent. | さて これが最急降下法アルゴリズムの概要です 次のビデオでは |
| Suppose we have a loss function like this and our gradient descent starts over here. | 大域最小値にはたどり着くでしょうか |
| Just as an aside, it turns out that gradient descent actually applies to more general functions. | ですから ある関数が J(theta 0, theta 1, theta 2, |
| This first time we ran gradient descent, we were starting at this point over here, right? | この地点から始めました さて 最急降下法を実行する時に |
| What we're going to do is apply gradient descent to minimize our squared error cost function. | 勾配降下法を 二乗誤差のコスト関数を 最小化するために適用する という事 勾配降下法を |
| And, as I take another step at gradient descent, my line on the left will change. | 左の直線は変化していく事になる いいですか |
| So, in gradient descent, you know, when computing derivatives, we're computing these sums, this sum of. | 偏微分を計算する時 これらの和を計算する つまり勾配降下法の |
| Here is a prototypical loss function and the method for interation will be called gradient descent. | この関数に反復法の1つである 勾配降下法を適用します 勾配降下法ではある初期値からスタートして |
Related searches : Gradient Descent Method - By Descent - Steepest Descent - Descent Rate - Energy Descent - Descent Group - Descent Method - Claimed Descent - Stair Descent - Total Descent - Descent Device - Jewish Descent
