Работайте офлайн с приложением Player FM !
#016 ML Линейная регрессия
Manage episode 280512604 series 2602683
С этого метода машинного обучения стоило бы начать сразу, ведь линейная регрессия - это своего рода "Hello world" машинного обучения. В выпуске я рассказываю про разные подходы к описанию данных (интерполяция, аппроксимация и регрессия) и подробно останавливаюсь на линейной регрессии - как самом простом и наглядном методе обучения с учителем. Также про функцию потерь - среднеквадратичную ошибку, наиболее часто используемую в линейной регрессии, про градиентный спуск в рамках линейной регрессии и про место линейной регрессии среди методов машинного обучения. Казалось бы, причем здесь Марк Твен? Полезного вам прослушивания!
Ссылки выпуска:
Курс Andrew Ng на coursera (про линейную регрессию, функцию потерь и градиентный спуск - первая неделя курса) - https://www.coursera.org/learn/machine-learning
Выпуск подкаста #003 ML Методы машинного обучения - https://anchor.fm/kmsrus/episodes/003-ML-eb2mei
Выпуск подкаста #006 ML Основы нейросетей ч.1 - https://anchor.fm/kmsrus/episodes/006-ML----1-ejthqa
Выпуск подкаста #015 ML Основы нейросетей ч.2 Градиентный спуск - https://anchor.fm/kmsrus/episodes/015-ML----2-enljpl
Буду благодарен за обратную связь!
Оставляйте ваши комментарии там, где можно. Например, в Apple Podcasts. Они помогут сделать подкаст лучше! Напишите что вам было понятно, что не очень, какие темы раскрыть, каких гостей пригласить, ну, и вообще в какую сторону катить этот подкаст :)
Поддерживайте подкаст на Patreon (https://www.patreon.com/machinelearningpodcast)
Подписывайтесь на телеграм-канал "Стать специалистом по машинному обучению" (https://t.me/toBeAnMLspecialist)
Телеграм автора подкаста (https://t.me/kmsint)
Со мной также можно связаться по электронной почте: kms101@yandex.ru
Также теперь подкаст можно найти на YouTube (https://www.youtube.com/channel/UCzvfXLNpB2Bbf32dc7a8oDQ?)
59 эпизодов
Manage episode 280512604 series 2602683
С этого метода машинного обучения стоило бы начать сразу, ведь линейная регрессия - это своего рода "Hello world" машинного обучения. В выпуске я рассказываю про разные подходы к описанию данных (интерполяция, аппроксимация и регрессия) и подробно останавливаюсь на линейной регрессии - как самом простом и наглядном методе обучения с учителем. Также про функцию потерь - среднеквадратичную ошибку, наиболее часто используемую в линейной регрессии, про градиентный спуск в рамках линейной регрессии и про место линейной регрессии среди методов машинного обучения. Казалось бы, причем здесь Марк Твен? Полезного вам прослушивания!
Ссылки выпуска:
Курс Andrew Ng на coursera (про линейную регрессию, функцию потерь и градиентный спуск - первая неделя курса) - https://www.coursera.org/learn/machine-learning
Выпуск подкаста #003 ML Методы машинного обучения - https://anchor.fm/kmsrus/episodes/003-ML-eb2mei
Выпуск подкаста #006 ML Основы нейросетей ч.1 - https://anchor.fm/kmsrus/episodes/006-ML----1-ejthqa
Выпуск подкаста #015 ML Основы нейросетей ч.2 Градиентный спуск - https://anchor.fm/kmsrus/episodes/015-ML----2-enljpl
Буду благодарен за обратную связь!
Оставляйте ваши комментарии там, где можно. Например, в Apple Podcasts. Они помогут сделать подкаст лучше! Напишите что вам было понятно, что не очень, какие темы раскрыть, каких гостей пригласить, ну, и вообще в какую сторону катить этот подкаст :)
Поддерживайте подкаст на Patreon (https://www.patreon.com/machinelearningpodcast)
Подписывайтесь на телеграм-канал "Стать специалистом по машинному обучению" (https://t.me/toBeAnMLspecialist)
Телеграм автора подкаста (https://t.me/kmsint)
Со мной также можно связаться по электронной почте: kms101@yandex.ru
Также теперь подкаст можно найти на YouTube (https://www.youtube.com/channel/UCzvfXLNpB2Bbf32dc7a8oDQ?)
59 эпизодов
Όλα τα επεισόδια
×Добро пожаловать в Player FM!
Player FM сканирует Интернет в поисках высококачественных подкастов, чтобы вы могли наслаждаться ими прямо сейчас. Это лучшее приложение для подкастов, которое работает на Android, iPhone и веб-странице. Зарегистрируйтесь, чтобы синхронизировать подписки на разных устройствах.