Matris çarpımıyla tahmin yapmak

İlerleyen bölümlerde doğrusal regresyon modellerini eğitmeyi öğreneceksin. Bu süreç, tahmin üretmek için girdi verisiyle çarpılabilen bir parametre vektörü üretir. Bu egzersizde, kursta daha sonra kullanacağımız bir kredi kartı veri kümesinden alınan girdi verisi features ve hedef vektörü bill ile çalışacaksın.

\(features = \begin{bmatrix} 2 & 24 \\ 2 & 26 \\ 2 & 57 \\ 1 & 37 \end{bmatrix}\), \(bill = \begin{bmatrix} 3913 \\ 2682 \\ 8617 \\ 64400 \end{bmatrix}\), \(params = \begin{bmatrix} 1000 \\ 150 \end{bmatrix}\)

Girdi verilerinin matrisi features iki sütun içerir: eğitim düzeyi ve yaş. Hedef vektörü bill ise kredi kartı borçlusunun ekstresinin tutarıdır.

Modeli henüz eğitmediğimiz için, parametre vektörü params için tahmini değerler gireceksin. Ardından matmul() kullanarak features ile params arasında matris çarpımı yapıp tahminleri, billpred, üretecek ve bunları bill ile karşılaştıracaksın. matmul() ve constant() fonksiyonlarını içe aktardığımızı unutma.

Bu egzersiz

Python ile TensorFlow’a Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

features, params ve bill değerlerini sabit (constant) olarak tanımla.
Tahmin vektörü billpred’i, girdi verisi features ile parametreler params’i çarparak hesapla. Eleman bazlı çarpım yerine matris çarpımı kullan.
error’ı, hedefler bill eksi tahmin değerleri billpred olarak tanımla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Define features, params, and bill as constants
features = ____([[2, 24], [2, 26], [2, 57], [1, 37]])
params = ____([[1000], [150]])
bill = ____([[3913], [2682], [8617], [64400]])

# Compute billpred using features and params
billpred = ____

# Compute and print the error
error = ____ - ____
print(error.numpy())

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile TensorFlow’a Giriş

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Before you can build advanced models in TensorFlow 2, you will first need to understand the basics. In this chapter, you’ll learn how to define constants and variables, perform tensor addition and multiplication, and compute derivatives. Knowledge of linear algebra will be helpful, but not necessary.

Exercise 1: Sabitler ve değişkenler Exercise 2: Veriyi sabitler olarak tanımlama Exercise 3: Değişken tanımlama Exercise 4: Temel işlemler Exercise 5: Eleman düzeyinde çarpma yapmak Exercise 6: Matris çarpımıyla tahmin yapmak

Geçerli Egzersiz

Exercise 7: Tensör boyutları boyunca toplama Exercise 8: Gelişmiş işlemler Exercise 9: Tensörleri yeniden şekillendirme Exercise 10: Gradyanlarla optimize etme Exercise 11: Görüntü verileriyle çalışma

In this chapter, you will learn how to build, solve, and make predictions with models in TensorFlow 2. You will focus on a simple class of models – the linear regression model – and will try to predict housing prices. By the end of the chapter, you will know how to load and manipulate data, construct loss functions, perform minimization, make predictions, and reduce resource use with batch training.

Exercise 1: Input data Exercise 2: Load data using pandas Exercise 3: Setting the data type Exercise 4: Loss functions Exercise 5: Loss functions in TensorFlow Exercise 6: Modifying the loss function Exercise 7: Linear regression Exercise 8: Set up a linear regression Exercise 9: Train a linear model Exercise 10: Multiple linear regression Exercise 11: Batch training Exercise 12: Preparing to batch train Exercise 13: Training a linear model in batches

The previous chapters taught you how to build models in TensorFlow 2. In this chapter, you will apply those same tools to build, train, and make predictions with neural networks. You will learn how to define dense layers, apply activation functions, select an optimizer, and apply regularization to reduce overfitting. You will take advantage of TensorFlow's flexibility by using both low-level linear algebra and high-level Keras API operations to define and train models.

Exercise 1: Dense layers Exercise 2: The linear algebra of dense layers Exercise 3: The low-level approach with multiple examples Exercise 4: Using the dense layer operation Exercise 5: Activation functions Exercise 6: Binary classification problems Exercise 7: Multiclass classification problems Exercise 8: Optimizers Exercise 9: The dangers of local minima Exercise 10: Avoiding local minima Exercise 11: Training a network in TensorFlow Exercise 12: Initialization in TensorFlow Exercise 13: Defining the model and loss function Exercise 14: Training neural networks with TensorFlow

In the final chapter, you'll use high-level APIs in TensorFlow 2 to train a sign language letter classifier. You will use both the sequential and functional Keras APIs to train, validate, make predictions with, and evaluate models. You will also learn how to use the Estimators API to streamline the model definition and training process, and to avoid errors.

Exercise 1: Defining neural networks with Keras Exercise 2: The sequential model in Keras Exercise 3: Compiling a sequential model Exercise 4: Defining a multiple input model Exercise 5: Training and validation with Keras Exercise 6: Training with Keras Exercise 7: Metrics and validation with Keras Exercise 8: Overfitting detection Exercise 9: Evaluating models Exercise 10: Training models with the Estimators API Exercise 11: Preparing to train with Estimators Exercise 12: Defining Estimators Exercise 13: Congratulations!