Data Science do zero: Primeiras regras com o Python


parte, por causa da natureza subjetiva de se escolher uma anterior. Não usaremos



Baixar 5.26 Mb.
Pdf preview
Página64/75
Encontro24.07.2022
Tamanho5.26 Mb.
#24344
1   ...   60   61   62   63   64   65   66   67   ...   75
Data Science do zero - Primeiras regras

parte, por causa da natureza subjetiva de se escolher uma anterior. Não usaremos
isso em mais nenhum lugar deste livro, mas é bom saber sobre isso.




Para Mais Esclarecimentos
Quase nem tocamos na superfície do que você deveria saber sobre
inferência estatística. Os livros recomendados no final do Capítulo 5
entram em muito mais detalhes.
A Coursera oferece o curso Análise de Dados e Inferência Estatística (em
inglês) que aborda muitos desses tópicos.


CAPÍTULO 8
Gradiente Descendente
Aqueles que se gabam de seus descendentes, contam vantagem do que devem aos outros.
—Seneca
Frequentemente, ao praticar data science, tentamos encontrar o melhor modelo
para uma determinada situação. E, geralmente, a “melhor” significará algo como
“minimiza o erro do modelo” ou “maximiza a probabilidade do dado”. Em
outras palavras, representa a solução para algum tipo de problema de otimização.
Isso significa que precisaremos resolver uma quantidade de problemas de
otimização. E, em especial, precisaremos resolvê-los do zero. Nossa abordagem
será uma técnica chamada gradiente descendente, que se dispõe muito bem para
um tratamento do zero. Você talvez não ache muito animador, mas ela nos
permitirá fazer coisas empolgantes no decorrer do livro, portanto, tenha
paciência.


A Ideia Por Trás do Gradiente Descendente
Suponha que tenhamos a função
f
que tem como entrada um vetor de números
reais e exibe, como saída, um único número real. Tal função simples é:
def sum_of_squares(v):
"""computa a soma dos elementos ao quadrado em v"""

Baixar 5.26 Mb.

Compartilhe com seus amigos:
1   ...   60   61   62   63   64   65   66   67   ...   75




©historiapt.info 2022
enviar mensagem

    Página principal