Вы проходите серию курсов, ниже предоставлен роадмап, чтобы вы всегда знали какой курс из серии вы проходите.

10 Сфер применения гребневой регрессии:

1. Прогнозирование временных рядов
2. Экономика: цена на акции, процентных ставок, инфляции
3. Прогнозирование спроса на товары
4. Движение тел, рост кристаллов, термические процессы
5. Рост населения бактерий, реакции на дозу лекарства
6. Взаимосвязи между рекламными затратами и продажами
7. Обработка сигналов 
8. Анализ качества и предсказания дефектов
9. Геоинформационные системы (GIS) 
10. Потребления энергии в зависимости от времени суток

ОСОБЕННОСТИ КУРСА:

• Разбор коммерческого кода действующих проектов по Data Science с сайта kaggle.com
• Способность понимать "L2-регуляризацию" в учебнике от Школы Анализа Данных(ШАД) Яндекс education.yandex.ru/handbook/ml/article/linear-models#regulyarizaciya
• Глубокое понимание раздела "Ридж-регрессия": http://www.machinelearning.ru/wiki/index.php?title=Ридж-регрессия 
• Способность начать понимать научную статью: https://arxiv.org/pdf/1509.09169
• Применения знаний на новейших моделях машинного обучения и нейросетей на сайте архив: arxiv.org/list/stat.ML/recent
• Способность понимать лекции от Воронцова К.В. http://machinelearning.ru/wiki/index.php?title=Участник:Vokov
• Адаптация полученных знаний по математике и программированию под специфику бизнеса вашего работодателя или стартапа.
• Навык выведения математических формул с нуля
• Имплементация математических формул в Python
• Глубокое понимание математики которая используется в Python
• Фундаментальное понимание алгоритма ридж-регрессии и l2-регуляризации
• Фундаментальные знания для подготовки к собеседованию в Data Science

Этот курс - лучший способ начать с нуля и стать специалистом по Машинному Обучению в Python и МАТЕМАТИКЕ!

Курс разработан с акцентом на простой и понятный вход в машинное обучение — без необходимости сразу углубляться в сложную математику. Теоретическая база вводится постепенно, по мере необходимости, что делает обучение комфортным даже для тех, кто не имеет технического образования. Многие участники с гуманитарным бэкграундом успешно проходят курс и отмечают это в своих отзывах.

Если в процессе обучения у вас возникнут вопросы, вы можете задать их в комментариях к урокам — я, как автор курса, регулярно просматриваю комментарии и с радостью помогу вам разобраться
 

В этом курсе Вы изучите следующие темы:

1. Анализ графика регуляризации
2. Регуляризация Тихонова. L2. Ridge
3. Метод наименьших квадратов
4. Сравнение Python кода линейной и гребневой регрессии
5. Сравнение графиков линейной и гребневой регрессии
6. Обзор формулы L2-регуляризации
7. Что такое L2-норма?
8. L2-норма вектора на плоскости
9. L2-норма вектора в пространстве
10. Ограничение через норму и квадрат нормы
11. Что такое линии уровня?
12. Геометрическая интерпретация регуляризации Тихонова
13. Геометрическая интерпретация параметра регуляризации
14. Уравнение окружности
15. 4D Геометрическая интерпретация регуляризации
16. Почему линии уровня это эллипсы?
17. Выводим формулу L2-регуляризации с нуля
18. Решатель: Нормальное уравнение.
19. Python: Имплементация нормального уравнения в L2-регуляризации
20. Решатель: Разложение Холецкого.
21. Решатель: SVD. Сингулярное разложение матрицы
22. Решатель: Градиентный спуск
23. Python: Имплементация градиентного спуска в L2-регуляризации
24. Геометрическая интерпретация коэффициентов регрессии
25. Доказательство: почему L2 не зануляет веса?
26. Теорема Гаусса-Маркова
27. Bias: Cмещённая оценка гребневой регрессии.
28. Ковариационная матрица. Ковариация против корреляции.
29. Variance: Cмещённая оценка гребневой регрессии.
30. Почему MSE гребневой регрессии меньше OLS?
31. Фактор инфляции дисперсии (VIF) — мера мультиколлинеарности
32. Обусловленность (cond)
33. Геометрический смысл СЛАУ
34. Логарифмическая шкала и параметр регуляризации
35. Почему называется Гребневая регрессия?
36. Резюмируем
37. Регуляризация в других моделях ML

и много другое!

Курс сопровождается набором Jupyter Notebook — с примерами кода и подробными пояснениями. Для каждой лекции подготовлен отдельный блокнот, структурированный по разделам курса. Это позволяет не только смотреть видео, но и быстро находить нужную информацию в текстовом виде — удобно для повторения и навигации по материалу.

Курс доступен без ограничений по времени: вы можете проходить его в удобном для себя темпе.

Присоединяйтесь к обучению и развивайте свои навыки — добро пожаловать на курс!