Самые основы машинного обучения, лекция 2

preview_player
Показать описание

  1. Евгений Разинков
  2. machine learning
  3. computer vision
  4. AI
  5. razinkov.ai
  6. объяснение
Рекомендации по теме
Основы машинного обучения, 1:19:26

Основы машинного обучения, лекция 1 — основные понятия

Основы машинного обучения, 1:20:13

Основы машинного обучения, лекция 1 — основные понятия

Самые основы машинного 1:57:19

Самые основы машинного обучения, лекция 2

Основы машинного обучения, 1:12:17

Основы машинного обучения, лекция 1 — основные понятия

Machine Learning - 1:31:56

Machine Learning - Лекция 1 - Искусственный интеллект и основы машинного обучения...

Основы машинного обучения, 1:01:20

Основы машинного обучения, лекция 8 — линейная классификация...

Основы машинного обучения, 0:47:25

Основы машинного обучения, лекция 8 — линейная классификация...

Математические основы машинного 1:31:48

Математические основы машинного обучения. Лекция 1.

Современные методы машинного 1:13:25

Современные методы машинного обучения, лекция 1 — введение в глубинное обучение...

Основы машинного обучения, 1:18:54

Основы машинного обучения, лекция 3 — метод k ближайших соседей...

AI4MMR - Лекция 1:19:19

AI4MMR - Лекция 1 - Искусственный интеллект и основы машинного обучения...

Математические основы машинного 1:15:36

Математические основы машинного обучения. Лекция 1.

Машинное обучение для 0:13:25

Машинное обучение для чайников

Основы машинного обучения, 1:09:01

Основы машинного обучения, лекция 8 — линейная классификация...

Основы машинного обучения, 1:15:04

Основы машинного обучения, лекция 2 — метод k ближайших соседей...

Основы машинного обучения, 1:07:10

Основы машинного обучения, лекция 7 — функции потерь в регрессии, линейная классификация...

Лекция 1. Введение 0:25:47

Лекция 1. Введение в машинное обучение. Основные термины машинного обучения (Machine Learning)...

Основы машинного обучения, 1:02:25

Основы машинного обучения, лекция 4 — линейная регрессия...

Основы машинного обучения, 1:20:00

Основы машинного обучения, лекция 14 — градиентный бустинг...

Математические основы машинного 1:26:45

Математические основы машинного обучения. Лекция 2.

Основы машинного обучения, 1:17:17

Основы машинного обучения, лекция 3 — метод k ближайших соседей...

Основы машинного обучения, 1:19:01

Основы машинного обучения, лекция 2 — основные понятия и метод k ближайших соседей...

Основы машинного обучения, 0:59:02

Основы машинного обучения, лекция 9 — метрики качества классификации...

Основы машинного обучения, 1:19:13

Основы машинного обучения, лекция 9 — метрики качества классификации...

Комментарии
Автор

Евгений, Вы иногда рвете нить математического повествования, но на лицо большой большой труд и огромное желание передать материал. За это огромное спасибо, а все Ваши небольшие недочеты с лихвой перекрываются общим высоким качеством материала и его подачи. Для меня как экономиста-математика по образованию (работал 15 не по специальности) и начинающего аналитика данных (прошел курс в Яндекс Практикум) Ваш курс просто находка. На сегодняшний день даже в анализе данных без базовых методов ML уже никуда... Еще раз огромное Вам спасибо!

olegsysoev
Автор

Наконец-то хоть кто-то объяснил разницу между тестовой и валидационной выборкой. Спасибо!

pavku
Автор

Если монета 99 раз падает решкой, то и в сотый раз будет решка, потому что такая монета не может не быть нефальшивой. Насим Талеб.

ulmvytm
Автор

Евгений, хотелось бы узнать Вашу историю становления специалистом. Какой путь Вы прошли, как изучали сферу и т.п. Если где-то есть уже такая информация \ ролик, дайте знать.

P. S. Спасибо за ролики и труд!

kotya
Автор

Подскажите, как узнать много у меня данных или нет, чтобы определить размер обучающей выборки? Может на примерах.

pavku
Автор

Здравствуйте, Евгений! Спасибо Вам большое за такую замечательную подачу материала. Начинаю постепенно прорабатывать формулы. Скажите, пожалуйста, на слайде с выводом целевой функции (1:28:26) может быть ошибка во второй строке? У меня получилось вывести только sum(ln(1/sqrt(2* pi * (sigma^2)))) = - (N/2) * ln(1/(sigma^2)) - (N/2) * ln (1/(2*pi)). Не понимаю, почему 2 пи в числителе.

LR-drzv
Автор

То есть w0 в данном случае просто константа b из классического определения линейной функции > f(x)= ax +/- b

JohnLee-boft
Автор

Ещё не совсем понятно, что значит верхняя черта над функциями и элементами, речь же явно не про супремум

JohnLee-boft