Машинное обучение II Линейные модели Методы кластеризаци и понижения размерности Практика sklearn

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


На втором занятии мы рассмотрим линейные модели, различные регуляризаторы и метрики качества. Также мы разберем популярные алгоритмы кластеризации (k-means, DBSCAN и др) и понижения размерности (PLSA, SVD, t-SNE)

С одной стороны, курс не будет требовать серьезных знаний математики, поэтому рассчитан на довольно широкую аудиторию.
С другой стороны, в курсе все равно будет подробно рассматриваться теория (пусть и без доказательства теорем и сложных математических выводов), чтобы у слушателей сложилось полное понимание работы алгоритмов, и они не воспринимали Машинное обучение как «магию», которую надо повызывать из Питона, и она почему-то сработает (или нет).
Также, в отличие от полностью теоретических курсов, будет подробно обсуждаться и практическая часть: какие есть реализации алгоритмов в Питоне и как ими пользоваться.


Источник: www.youtube.com

Комментарии: