5
0本课讲解模型拟合，即通过迭代优化寻找使损失函数最小化的参数。核心算法是梯度下降：通过计算损失关于参数的梯度，并沿“下坡”方向迭代更新。针对非凸损失函数中的局部最小值和鞍点，引入随机梯度下降（SGD），利用小批量数据的随机性提升搜索能力。
第10课完整讲义：zhuanlan.zhihu.com
00:00 开篇语
01:01 拟合 或训练的核心目标
02:42 梯度下降法
06:27 梯度下降法
07:50 梯度下降法
08:17 陷阱:局部最小值和鞍点
10:07 引入噪音的随机梯度下降
10:35 batch 和 epoch
12:46 在不断变化的损失函数
13:31 随机梯度下降的核心特性
15:04 学习率调度
15:45 结束语
