- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技大本营的专栏
GitHub超全机器学习工程师成长路线图，开源两日收获3700+Star！
Google Crash 教程中可以找到： 梯度下降： https://developers.google.com/machine-learning/crash-course/reducing-loss/gradient-descent
62130发布于 2019-05-06 - 来自专栏CDA数据分析师
GitHub超全机器学习工程师成长路线图，开源两日收获3700+Star！
Google Crash 教程中可以找到： 梯度下降： https://developers.google.com/machine-learning/crash-course/reducing-loss/gradient-descent
63720发布于 2019-05-09 - 来自专栏新智元
Hinton《机器学习中使用的神经网络》课程亮点总结
再次，它们的公式与你的标准方法（例如 backprop 和 gradient-descent）完全不同。但学习它们能给你广度，让你思考是否标准的方法就是正确的方法。 那么这门课好吗？ 当然！
1K100发布于 2018-03-27 - 来自专栏nobody
【3blue1brown神经网络教程】第二章：梯度下降（Gradient descent），神经网络如何学习
翻译自：https://www.3blue1brown.com/lessons/gradient-descent
49910编辑于 2025-04-10 - 来自专栏arXiv每日学术速递
统计学学术速递[8.20]
the agents can solve this problem by collaborating with the server using the traditional distributed gradient-descent However, when the aggregate cost is ill-conditioned, the gradient-descent method (i) requires a large algorithm converges linearly with an improved rate of convergence than the traditional and adaptive gradient-descent
79410发布于 2021-08-24 - 来自专栏社区的朋友们
个性化资讯推荐算法 （上）
本文优化目标是基于贝叶斯理论推导出来的最大化后验概率(maximum-a-posteriori, MAP)，而优化方法则采用熟知的梯度下降法(gradient-descent, GD)。
5.2K10发布于 2017-07-10 - 来自专栏PPV课数据科学社区
为你分享73篇论文解决深度强化学习的18个关键问题
Fast gradient-descent methods for temporal-difference learning with linear function approximation.
1.3K20发布于 2018-07-24 - 来自专栏AI研习社
今日头条成功的核心技术秘诀是什么？
本文优化目标是基于贝叶斯理论推导出来的最大化后验概率(maximum-a-posteriori, MAP)，而优化方法则采用熟知的梯度下降法(gradient-descent, GD)。
2.8K40发布于 2018-03-19 - 来自专栏数据派THU
为你分享73篇论文解决深度强化学习的18个关键问题
Fast gradient-descent methods for temporal-difference learning with linear function approximation.
1.1K91发布于 2018-01-29 - 来自专栏CSDN技术头条
深度解密今日头条的个性化资讯推荐技术
本文优化目标是基于贝叶斯理论推导出来的最大化后验概率(maximum-a-posteriori, MAP)，而优化方法则采用熟知的梯度下降法(gradient-descent, GD)。
2.5K60发布于 2018-02-13 - 来自专栏arXiv每日学术速递
机器学习学术速递[7.28]
In this paper, we develop a novel Accelerated Gradient-descent Multiple Access (AGMA) algorithm that
1.6K40发布于 2021-07-29 - 来自专栏arXiv每日学术速递
机器学习学术速递[6.23]
摘要：With leveraging the weight-sharing and continuous relaxation to enable gradient-descent to alternately
2.1K20发布于 2021-07-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号