MELMORAVaramis · Asisten AI
+ Obrolan baruMachine LearningBerandaJelajahMata kuliahkuVaramis AIUjianKemajuan
Bisa jelaskan gradient descent?
Gradient descent
θ ← θ − α · ∇J(θ)
- • θ: parameter model
- • α: learning rate (ukuran langkah)
- • ∇J(θ): gradien fungsi loss
Jelaskan dengan contohVisualisasikan di kanvasUji aku
Apa yang terjadi kalau learning rate terlalu besar?
Jika α terlalu besar, tiap pembaruan melewati titik minimum, dan loss bisa melompat-lompat atau bahkan menyimpang. Solusi umumnya: mulai kecil dan pakai jadwal learning rate.
