Fondamentaux : descente de gradient stochastique

fondamentaux/01-regression_lineaire.py

@@ -27,7 +27,7 @@ t_debut = time.time()
 
 # Observations d'apprentisage
 m = 1000 # Nombre d'observations
-bg = 1 # Bruit gaussien
+bg = 1 # Quantité du bruit gaussien
 x = 2*np.random.rand(m, 1) # Liste des observations x1
 y = 4 + 3*x + bg * np.random.rand(m, 1) # Liste des cibles y
 X = np.c_[np.ones((m, 1)), x] # Matrice des observations, avec x0=1

fondamentaux/02-descente_gradient.py

@@ -27,7 +27,7 @@ t_debut = time.time()
 
 # Observations d'apprentisage
 m = 1000 # Nombre d'observations
-bg = 1 # Bruit gaussien
+bg = 1 # Quantité du bruit gaussien
 x = 2*np.random.rand(m, 1) # Liste des observations x1
 y = 4 + 3*x + bg * np.random.rand(m, 1) # Liste des cibles y
 X = np.c_[np.ones((m, 1)), x] # Matrice des observations, avec x0=1

fondamentaux/03-descente_gradient_stochastique.py

@@ -27,7 +27,7 @@ t_debut = time.time()
 
 # Observations d'apprentisage
 m = 1000 # Nombre d'observations
-bg = 1 # Bruit gaussien
+bg = 1 # Quantité du bruit gaussien
 x = 2*np.random.rand(m, 1) # Liste des observations x1
 y = 4 + 3*x + bg * np.random.rand(m, 1) # Liste des cibles y
 X = np.c_[np.ones((m, 1)), x] # Matrice des observations, avec x0=1