Регресия
Предсказване на числа: линейни модели, метрики, регуляризация, нелинейни признаци, остатъци и устойчиви загуби.
15 урока · около 325 минНОИИIOAIНужно: Линейна алгебра, Анализ и оптимизация, NumPy, Визуализация на данни, scikit-learn
Първо завърши: Частни производни и градиент, NumPy: операции и broadcasting
- 1
Линейна регресия и градиентно спускане
Как моделът предсказва число, как мерим грешката и как се учи стъпка по стъпка
30 мин Заключен
- 2
Метрики за регресия
MAE, RMSE, R² и RMSLE: какво мери всяка и коя да избереш
20 мин Заключен
- 3
Точната формула за линейна регресия
Нормалните уравнения и кога градиентното спускане е по-добро
20 мин Заключен
- 4
Регресия с много признаци
Как се тълкуват теглата и защо мащабът и зависимите признаци имат значение
20 мин Заключен
- 5
Полиномиална регресия
Криви линии с линеен модел: добавяме x², x³ като нови признаци
20 мин Заключен
- 6
Преобучение и недообучение
Отместване и дисперсия: защо твърде простият и твърде сложният модел грешат
20 мин Заключен
- 7
Ridge регресия
L2 регуляризация: наказание за големите тегла
20 мин Заключен
- 8
Lasso регресия
L1 регуляризация: моделът сам избира признаците
20 мин Заключен
- 9
Elastic Net
Смес от L1 и L2: стабилен избор на признаци
20 мин Заключен
- 10
k-NN регресия
Предсказване със средното на най-близките съседи
20 мин Заключен
- 11
Нелинейни признаци: интервали и сплайни
Как линеен модел научава сложни форми чрез умни признаци
20 мин Заключен
- 12
Анализ на остатъците
Какво разказват грешките на модела
20 мин Заключен
- 13
Логаритмуване на целта
Когато целта е цена, брой или доход
20 мин Заключен
- 14
Устойчива регресия
Huber загуба и квантилна регресия: когато има аномалии или трябва интервал
20 мин Заключен
- 15
Проект: цени на апартаменти
Всичко от курса в един работен процес
35 мин Заключен
Изпит на курса
Отключва се, когато завършиш всички уроци.