Comments (3)
Done : sigmoid (version vectorisée) + Vectorized Logistic Cost Function + Vectorised Logistic Gradient Descent
Pas sur de l'interet de leur faire coder une version non vectorisée cela dit, ça pourrait etre assez frustrant de devoir faire deux exos assez longs avec plein de boucles pour decouvrir juste ensuite qu'il leur faut une ligne
from bootcamp_machine-learning.
Done : sigmoid (version vectorisée) + Vectorized Logistic Cost Function + Vectorised Logistic Gradient Descent
Pas sur de l'interet de leur faire coder une version non vectorisée cela dit, ça pourrait etre assez frustrant de devoir faire deux exos assez longs avec plein de boucles pour decouvrir juste ensuite qu'il leur faut une ligne
😅 . A discuter donc
Je penses qu'une version non vectorisée permet de bien assimiler ce qu'il se passe, mais de manière non optimisé, après tu fais la version opti avec numpy IMO.
Si on fait direct la version vectorisée, il est possible que certaines personnes passent a coté de ce que font les functions.
Après ça se discute toujours.
from bootcamp_machine-learning.
Oui j'imagine que certaines personnes auront plus de facilité dans un premier dans avec des fonctions faisant appel a des boucles qu'à prendre en main directement la multiplication de vecteurs/matrices. On en reparlera lundi de toute façon tous ensemble
Concernant l'avancement, tout ce qui est coché est fait sauf pour Logistic Regression qui est en cours. J'ai rajouté confusion matrix je trouve que c'est important de connaitre le concept et de savoir a quoi correspondent les chiffres. C'est dans le prolongement de precision, recall et f1 score.
from bootcamp_machine-learning.
Related Issues (20)
- ML00 ex00: return type of Matrix * Vector
- ML00 ex06: wrong return description
- ML00 ex08: Interlude + Examples' cost
- ML00 ex01 (correction): Wrong examples HOT 4
- ML01 ex03: Wrong loss_elem_ examples
- ML03 ex03 epsilon should be added to y_hat, not y
- ML01 ex05 (z_score): incoherent example
- ML03 ex06 difference of arguments between definition and examples
- ML02 ex05 (mylinearregression): multiple issues (examples, syntax)
- ML02 ex03 (gradient): name syntax
- ml04ex07 wrong number of curves asked
- Day04 ex08 : Typo "penalty" in the subject, "penality" in the examples
- Day04 ex09 : incoherences in the subject
- Fix the Pipeline to automatically push the subjects to the repo
- Name mismatch between definition and example
- 1 instead of 1.0
- missing a parameter in the thetas
- Uppercase instead of lowercase
- X, Y instead of y, y_hat
- missing epsilon
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from bootcamp_machine-learning.