Урок 2 из 47
#1. Что такое машинное обучение? Обучающая выборка и признаковое пространство | Машинное обучение
Уроки47 уроков
- 1Машинное обучение. Начало | Основы машинного обучения
- 2#1. Что такое машинное обучение? Обучающая выборка и признаковое пространство | Машинное обучение
- 3#2. Постановка задачи машинного обучения | Машинное обучение
- 4#3. Линейная модель. Понятие переобучения | Машинное обучение
- 5#4. Способы оценивания степени переобучения моделей | Машинное обучение
- 6#5. Уравнение гиперплоскости в задачах бинарной классификации | Машинное обучение
- 7#6. Решение простой задачи бинарной классификации | Машинное обучение
- 8#7. Функции потерь в задачах линейной бинарной классификации | Машинное обучение
- 9#8. Стохастический градиентный спуск SGD и алгоритм SAG | Машинное обучение
- 10#9. Пример использования SGD при бинарной классификации образов | Машинное обучение
- 11#10. Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam, Nadam | Машинное обучение
- 12#11. L2-регуляризатор. Математическое обоснование и пример работы | Машинное обучение
- 13#12. L1-регуляризатор. Отличия между L1- и L2-регуляризаторами | Машинное обучение
- 14#13. Логистическая регрессия. Вероятностный взгляд на машинное обучение | Машинное обучение
- 15#14. Вероятностный взгляд на L1 и L2-регуляризаторы | Машинное обучение
- 16#15. Формула Байеса при решении конкретных задач | Машинное обучение
- 17#16. Байесовский вывод. Наивная байесовская классификация | Машинное обучение
- 18#17. Гауссовский байесовский классификатор | Машинное обучение
- 19#18. Линейный дискриминант Фишера | Машинное обучение
- 20#19. Введение в метод опорных векторов (SVM) | Машинное обучение
- 21#20. Реализация метода опорных векторов (SVM) | Машинное обучение
- 22#21. Метод опорных векторов (SVM) с нелинейными ядрами | Машинное обучение
- 23#22. Вероятностная оценка качества моделей | Машинное обучение
- 24#23. Показатели precision и recall. F-мера | Машинное обучение
- 25#24. Метрики качества ранжирования. ROC-кривая | Машинное обучение
- 26#25. Метод главных компонент (Principal Component Analysis) | Машинное обучение
- 27#26. Сокращение размерности признакового пространства с помощью PCA | Машинное обучение
- 28#27. Сингулярное разложение и его связь с PCA | Машинное обучение
- 29#28. Многоклассовая классификация. Методы one-vs-all и all-vs-all | Машинное обучение
- 30#29. Метрические методы классификации. Метод k ближайших соседей | Машинное обучение
- 31#30. Методы парзеновского окна и потенциальных функций | Машинное обучение
- 32#31. Метрические регрессионные методы. Формула Надарая-Ватсона | Машинное обучение
- 33#32. Задачи кластеризации. Постановка задачи | Машинное обучение
- 34#33. Алгоритм кластеризации Ллойда (K-средних, K-means) | Машинное обучение
- 35#34. Алгоритм кластеризации DBSCAN | Машинное обучение
- 36#35. Агломеративная иерархическая кластеризация. Дендограмма | Машинное обучение
- 37#36. Логические методы классификации | Машинное обучение
- 38#37. Критерии качества для построения решающих деревьев | Машинное обучение
- 39#38. Построение решающих деревьев жадным алгоритмом ID3 | Машинное обучение
- 40#39. Усечение (prunning) дерева, обработка пропусков и категориальных признаков | Машинное обучение
- 41#40. Решающие деревья в задачах регрессии. Алгоритм CART | Машинное обучение
- 42#41. Случайные деревья и случайный лес. Бутстрэп и бэггинг | Машинное обучение
- 43#42. Введение в бустинг (boosting). Алгоритм AdaBoost при классификации | Машинное обучение
- 44#43. Алгоритм AdaBoost в задачах регрессии | Машинное обучение
- 45#44. Градиентный бустинг и стохастический градиентный бустинг | Машинное обучение
- 46#45. Нейронные сети. Краткое введение в теорию | Машинное обучение
- 47#46. Обучение нейронной сети. Алгоритм back propagation | Машинное обучение
eSIM для учёбы за границей
Платное размещение. Откроется Airalo, а не курс.