<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>Градиентный Спуск on мои наблюдения</title><link>https://shiji.site/ru/tags/%D0%B3%D1%80%D0%B0%D0%B4%D0%B8%D0%B5%D0%BD%D1%82%D0%BD%D1%8B%D0%B9-%D1%81%D0%BF%D1%83%D1%81%D0%BA/</link><description>Recent content in Градиентный Спуск on мои наблюдения</description><generator>Hugo -- 0.146.0</generator><language>ru-ru</language><lastBuildDate>Wed, 14 Mar 2018 12:43:41 +0300</lastBuildDate><atom:link href="https://shiji.site/ru/tags/%D0%B3%D1%80%D0%B0%D0%B4%D0%B8%D0%B5%D0%BD%D1%82%D0%BD%D1%8B%D0%B9-%D1%81%D0%BF%D1%83%D1%81%D0%BA/index.xml" rel="self" type="application/rss+xml"/><item><title>Adam</title><link>https://shiji.site/ru/post/2018/adam/</link><pubDate>Wed, 14 Mar 2018 12:43:41 +0300</pubDate><guid>https://shiji.site/ru/post/2018/adam/</guid><description>Adam — оптимизационный алгоритм, который сочетает идеи градиентного спуска с моментом и RMSprop, автоматически адаптируя скорость обучения и корректируя смещение градиента.</description></item><item><title>Rmsprop</title><link>https://shiji.site/ru/post/2018/rmsprop/</link><pubDate>Mon, 12 Mar 2018 12:36:29 +0300</pubDate><guid>https://shiji.site/ru/post/2018/rmsprop/</guid><description>Как алгоритм RMSprop улучшает градиентный спуск, используя усредненный квадрат градиента для адаптивного выбора шага и ускорения сходимости.</description></item><item><title>Gradiend Descent With Momentum</title><link>https://shiji.site/ru/post/2018/gradiend-descent-with-momentum/</link><pubDate>Mon, 12 Mar 2018 12:11:53 +0300</pubDate><guid>https://shiji.site/ru/post/2018/gradiend-descent-with-momentum/</guid><description>Как ускорить градиентный спуск и уменьшить колебания с помощью метода Momentum, используя экспоненциально взвешенные средние градиентов.</description></item><item><title>Градиентный спуск</title><link>https://shiji.site/ru/post/2018/gradient-descent/</link><pubDate>Sat, 24 Feb 2018 23:01:17 +0300</pubDate><guid>https://shiji.site/ru/post/2018/gradient-descent/</guid><description>Как градиентный спуск использует производные и шаг обучения для нахождения минимума функции и оптимизации параметров модели.</description></item></channel></rss>