THETA MỘT Tiếng anh là gì - trong Tiếng anh Dịch

• theta one
• theta1

Ví dụ về việc sử dụng Theta một trong Tiếng việt và bản dịch của chúng sang Tiếng anh

Do đó, I' m gonna kết thúc di chuyển theta một bên trái.
So I'm gonna end up moving theta one to the left.

Đây là, theta 0, theta một trong ngày ngang trục, và j là một trục thẳng đứng.
This is,(theta0, theta1) on the horizontal axes, and J is a vertical axis.

Nói cách khác, vẽ lô đó như thế này như là một chức năng của theta một trong.
In other words, drawing plots that look like this as a function of theta one.

I' m gonna phải theta một, bản cập nhật này như theta một trừ đi một cái gì đó.
I'm gonna to take theta one, this update as theta one minus something.

Quyền, bây giờ chúng ta hãy nói rằng tôi đã khởi gradient descent với theta một tại vị trí này.
Right, now let's say I have initialized gradient descent with theta one at this location.

Nếu Theta zero bằng zero và theta một bằng 0.5. Sau đó các giả thuyết sẽ xem xét.
If theta zero equals 0 and theta one equals 0.5, then the hypothesis will look.

J theta một, và vì vậy đó của tôi, và nơi theta một trong những là một số thực.
J of theta one, and so that's my, and where theta one is a real number.

Các Chiều cao của bề mặt của các điểm cho thấy giá trị của j theta 0, J của theta một trong.
The height of the surface of the points indicates the value of J of theta zero, J of theta one.

Và vì vậy tôi cần Theta một trừ đi một số tiêu cực có nghĩa là tôi thực sự sẽ tăng dữ liệu, quyền?
And so I have theta one minus a negative number which means I'm actually going to increase theta, right?

Vậy làm thế nào để chúng tôi tìm ra giá trị theta 0, theta một trong mà tương ứng với một thích hợp để các dữ liệu?
So how do we come up with values theta zero, theta one that corresponds to a good fit to the data?

Bây giờ, tôi khâu, d, d Theta một j của theta một, khi đánh giá tại thời điểm này, gonna tìm ở bên phải.
Now, my derivative term, d, d theta one j of theta one, when evaluated at this point, gonna look at right.

Trái ngược, hàm chi phí, J, đó là một chức năng của các tham số, theta một, điều khiển độ dốc của đường thẳng.
In contrast, the cost function, J, that's a function of the parameter, theta one, which controls the slope of the straight line.

Bây giờ cho giá trị của theta zero và theta một, chúng tôi muốn lô tương ứng, bạn đã biết, chức năng chi phí bên phải.
Now given these value of theta zero and theta one, we want to plot the corresponding, you know, cost function on the right.

Để minh hoạ này trình bày cụ thể, tôi có initialised theta zero lúc khoảng 900, và theta một lúc về trừ 0.1, rồi?
For illustration in this specific presentation, I have initialised theta zero at about 900, and theta one at about minus 0.1, okay?

Nhưng bây giờ chúng tôi có hai tham số, theta số không, và theta một, và do đó, những âm mưu được nhiều hơn một chút phức tạp.
But now we have two parameters, theta zero, and theta one, and so the plot gets a little more complicated.

Bây giờ. Đó là một tinh tế hơn về lớp và gốc, đó là, trong lớp và gốc, chúng tôi đang gonna update, bạn đã biết, theta zero và theta một.
Now there's one more subtlety about gradient descent which is, in gradient descent, we're going to update theta0 and theta1.

Và vì vậy, trong của bạn Cập Nhật lớp và gốc, bạn có theta một,[ unintelligible] này một, theta trừ alpha lần zero.
And so, in your gradient descent update, you have theta one, gives update that theta one, minus alpha times zero.

Khi chúng tôi nói chuyện về các phương pháp trong hồi quy tuyến tính như thế nào để giải quyết cho các tham số, Theta zero và theta một, tất cả trong một shot.
When we talk about the method in linear regression for how to solve for the parameters, theta zero and theta one, all in one shot.

Và những gì tôi muốn làm là Minimize theta zero và theta một chức năng của tôi j của theta zero dấu phẩy theta một trong.
And what I want to do is minimize over theta zero and theta one my function J of theta zero comma theta one.

Và nhiệm kỳ thứ hai này ở đây, cụm từ đó là chỉ bắt nguồn từ một phần với Theta một mà chúng tôi đã làm việc ra vào trước dòng.
And this second term here, that term is just a partial derivative with respect to theta one that we worked out on the previous line.

Để giới thiệu thuật ngữ một ít hơn, các theta zero và theta một, bên phải, các[ unintelligible] là những gì tôi gọi là các thông số của mô hình.
To introduce a little bit more terminology, these theta zero and theta one, right, these theta i's are what I call the parameters of the model.

Vì vậy việc giảm thiểu một nửa của một cái gì đó, đúng, nên cung cấp cho bạn cùng các giá trị của tham số theta số không, theta một là giảm thiểu chức năng đó.
So minimizing one half of something, right, should give you the same values of the parameters theta zero, theta one as minimizing that function.

Vì vậy hãy tưởng tượng chọn một số giá trị cho theta số không, theta một, và đó tương ứng với bắt đầu tại một số điểm trên bề mặt của chức năng này.
So imagine picking some value for(theta0, theta1), and that corresponds to starting at some point on the surface of this function.

Bây giờ đây là một khác nhau giả thuyết rằng là bạn biết vẫn không rất phù hợp cho các dữ liệu nhưng có thể là một chút tốt hơn vì vậy ở đây ngay đó là điểm của tôi rằng những người đang có của tôi tham số theta zero theta một và rất giá trị theta zero của tôi.
Now here's a different hypothesis that's you know still not a great fit for the data but may be slightly better so here right that's my point that those are my parameters theta zero theta one and so my theta zero value.

Như vậy, vì vậy chúng tôi có một, nói rằng chúng tôi đã gây ra chức năng j của chỉ cần một tham số, theta một, như chúng tôi đã làm, bạn đã biết, một vài video trở lại.
So, so we have a, say we have a cost function J of just one parameter, theta one, like we did, you know, a few videos back.

Và, cách ký hiệu này. Giảm thiểu theta zero và theta một trong. Điều này có nghĩa là tìm thấy tôi các giá trị của theta..
And, this notation, minimize over theta zero and theta one, this means find me the values of theta zero and theta one that causes this expression to be minimized.

Giá trị của theta 0, theta một[ unintelligible]. Tối thiểu hoá chức năng này và trong video tiếp theo chúng tôi bắt đầu nói về một thuật toán để tự động tìm kiếm giá trị đó theta zero và theta một trong đó giảm thiểu các chức năng chéo J.
And so, what we want is to have software to find the value of theta zero, theta one that minimizes this function and in the next video we start to talk about an algorithm for automatically finding that value of theta zero and theta one that minimizes the cost function J.

Không giống như[ unintelligible], không giống như cuối video, tôi sẽ giữ cho cả hai của tôi tham số, A đến số không, và theta một, khi chúng tôi tạo ra kiểu trực quan của chúng tôi cho chi phí chức năng.
Unlike before, unlike the last video, I'm going to keep both of my parameters, theta zero, and theta one, as we generate our visualizations for the cost function.

Ý tưởng là chúng ta sẽ chọn của chúng tôi tham số theta 0, theta một vì vậy mà h của X, có nghĩa là giá trị chúng tôi dự đoán trên đầu vào X, điều này ít gần với giá trị ví dụ Y. bốn mươi năm của chúng tôi huấn luyện tập, cho ví dụ đào tạo của chúng tôi.
The idea is we're going to choose our parameters theta zero, theta one so that h(x), meaning the value we predict on input x, that this at least close to the values y for the examples in our training set, for our training examples.

Nó chỉ ra rằng bạn có thể có bạn biết tiêu cực giá trị của theta một trong là tốt vì vậy nếu theta một là tiêu cực thì h x sẽ được bình đẳng để nói rằng trừ 0,5 lần x theta[ unintelligible] một trong những là trừ 0,5 và vì vậy mà tương ứng để một giả thuyết[ unintelligible]. Và với một độ dốc của tiêu cực 0.5.
It turns out that you can have you know negative values of theta one as well so if theta one is negative then h of x would be equal to say minus 0.5 times x then theta one is minus 0.5 and so that corresponds to a hypothesis with a slope of negative 0.5.