تجسيد Gradient Descent بصرًيا باستخدام PyTorch و NumPy

يمكن أن يشعر المرء أن فهم كيفية تعلم نماذج machine learning بالفعل يشبه النظر في صندوق أسود. من خلال تجسيد gradient descent خطوة بخطوة، يمكنك إزالة الغموض عن عملية التحسين واكتساب تحكم حدسي في سلوك تدريب نموذجك. تدلك هذه الدورة النصية عبر تتبع تحديثات المعلمات، وفهم مساحات الخسارة، واختيار معدل التعلم المثالي. ستبدأ بالرياضيات الأساسية للتحسين، وتحديد المصطلحات الرئيسية واستكشاف المفاهيم الأساسية لدوال الخسارة قبل كتابة أي كود. بعد ذلك، ستنفذ هذه المفاهيم من الصفر باستخدام NumPy، ثم تنتقل إلى PyTorch لبناء سير عمل حديث وقابل للتوسع. ما ستتعلمه: - فهم الأسس الرياضية لـ gradients، ودوال الخسارة، والتحسين؛ - ممارسة تطبيق الانحدار الخطي من الصفر لملاحظة تحديثات المعلمات؛ - تجسيد كيف تتسبب معدلات التعلم المختلفة في التقارب، أو التذبذب، أو التباعد؛ - تطبيق autograd في PyTorch لأتمتة حسابات gradient بكفاءة؛ - تكوين خوارزميات التحسين الحديثة وتحليل مسارات تدريبها. ستبدأ بتعريفات أساسية، وتتقدم من خلال تطبيقات NumPy العملية، وتنهي بكتابة كود PyTorch أصلوي ونظيف. تم تصميم هذه الدورة للمبتدئين في machine learning و data science الذين يريدون فهمًا مفاهيميًا عميقًا للتحسين دون الحاجة إلى متطلبات متقدمة سابقة. ابدأ القراءة اليوم لتفهم حقًا كيف تتعلم النماذج.