АНАЛИЗ ДАННЫХ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ [in GameDev]

Отчет по лабораторной работе #1 выполнил(а):

• Шмаков Данил Юрьевич
• РИ210911 Отметка о выполнении заданий (заполняется студентом):

Задание	Выполнение	Баллы
Задание 1	*	60
Задание 2	*	20
Задание 3	*	20

знак "*" - задание выполнено; знак "#" - задание не выполнено;

Работу проверили:

• к.т.н., доцент Денисов Д.В.
• к.э.н., доцент Панов М.А.
• ст. преп., Фадеев В.О.

Структура отчета

• Данные о работе: название работы, фио, группа, выполненные задания.
• Цель работы.
• Задание 1.
• Код реализации выполнения задания. Визуализация результатов выполнения (если применимо).
• Задание 2.
• Код реализации выполнения задания. Визуализация результатов выполнения (если применимо).
• Задание 3.
• Код реализации выполнения задания. Визуализация результатов выполнения (если применимо).
• Выводы.
• ✨Magic ✨

Цель работы

Ознакомиться с основными операторами зыка Python на примере реализации линейной регрессии.

Задание 1

Написать программы Hello World на Python и Unity

• Программа Hello World на Python
• Программа Hello World на Unity

Задание 2

Пошагово выполнить каждый пункт раздела "ход работы" с описанием и примерами реализации задач

Ход работы:

• Произвести подготовку данных для работы с алгоритмом линейной регрессии. 10 видов данных были установлены случайным образом, и данные находились в линейной зависимости. Данные преобразуются в формат массива, чтобы их можно было вычислить напрямую при использовании умножения и сложения.

• Определите связанные функции. Функция модели: определяет модель линейной регрессии wx+b. Функция потерь: функция потерь среднеквадратичной ошибки. Функция оптимизации: метод градиентного спуска для нахождения частных производных w и b.

• Начать итерацию

• Шаг 1 Инициализация и модель итеративной оптимизации

• Шаг 2 На второй итерации отображаются значения параметров, значения потерь и эффекты визуализации после итерации

• Шаг 3 На третьей итерации отображаются значения параметров, значения потерь и эффекты визуализации после итерации

• Шаг 4 На четвёртой итерации отображаются значения параметров, значения потерь и эффекты визуализации после итерации

• Шаг 5 На пятой итерации отображаются значения параметров, значения потерь и эффекты визуализации после итерации

• Шаг 6 На 10000-й итерации отображаются значения параметров, значения потерь и эффекты визуализации после итерации

Задание 3

Должна ли величина loss стремиться к нулю при изменении исходных данных? Ответьте на вопрос, приведите пример выполнения кода, который подтверждает ваш ответ.

• Если развернуть массив x loss будет гораздо больше, что объясняется начальными параметрами a и b

• Увеличиваем количество итераций

• Заметим, что loss стремится к нулю

Какова роль параметра Lr? Ответьте на вопрос, приведите пример выполнения кода, который подтверждает ваш ответ. В качестве эксперимента можете изменить значение параметра.

• Посмотрим, как изменятся параметры при оригинальном Lr при увеличении количества итераций

• при Lr большем в 100 раз

• Заметим, что при большем Lr график приближается быстрее, но с меньшей точностью

Выводы

• Написали первые программы на Python и Unity
• Реализовали алгоритм линейной регресии и исследовали его с точки зрения входных параметров

Plugin	README
Dropbox	[plugins/dropbox/README.md][PlDb]
GitHub	[plugins/github/README.md][PlGh]
Google Drive	[plugins/googledrive/README.md][PlGd]
OneDrive	[plugins/onedrive/README.md][PlOd]
Medium	[plugins/medium/README.md][PlMe]
Google Analytics	[plugins/googleanalytics/README.md][PlGa]

Powered by

BigDigital Team: Denisov | Fadeev | Panov