Простая Линейная регрессия. Loss MAE. Градиентный спуск в Python

Автор курса Руслан Сенаторов t.me/RuslanSenatorov, Преподаватель и Президент IT-организации(CEO) github.com/SENATOROVAI | Бесплатный курс по математике для data science,Машинное обучение, с нуля. Материалы курса основаны на открытых лекциях по "Линейная регрессия на Python.Градиентный спуск".
практическую часть с…
Начальный уровень
4-5

Чему вы научитесь

  • Понятие линейной регрессии
  • Что такое линейная модель
  • Пример: предсказание цены квартиры по площади
  • Целевая переменная и признаки
  • Математическая формализация
  • Уравнение прямой: y = w₀ + w₁x₁ + ... + wₙxₙ
  • Ошибка модели (MSE,MAE)
  • Градиентный спуск
  • Практика в Python
  • Загрузка и анализ датасета
  • Построение простой линейной регрессии с scikit-learn
  • Визуализация результатов
  • Интерпретация коэффициентов модели

О курсе

Реверс-инжиниринг математики 

для простой(парной/одномерной) линейной регрессии. Численные методы. Градиентный спуск.

Курс посвящён практическому изучению математики машинного обучения и имплементации на Python.
Он построен на основе открытых лекций, которые проводились в мини-группах в живом формате, с акцентом на доступное объяснение и поэтапное закрепление материала.

Курс подходит для начинающих и продолжающих — тех, кто уже немного знаком с Python и хочет освоить машинное обучение на практике.

Цели курса

  • Дать чёткое представление о том, как работают алгоритмы машинного обучения.

  • Научить применять основные методы (линейные модели) на реальных данных.

  • Развить навык анализа и подготовки данных для обучения моделей.

  • Научить читать код, повторять за преподавателем и формировать свою библиотеку решений.

  • Ввести в культуру ведения конспектов и самостоятельного повторения материала.

 

Для кого этот курс

если вы: Начинаете изучать машинное обучение и хотите получить понятную, пошаговую основу с примерами и практикой. Уже знаете Python на базовом уровне и хотите научиться использовать его для анализа данных и создания моделей. Студент технической специальности, который хочет дополнить теорию практическими навыками. Аналитик данных или разработчик, который хочет углубиться в ML и начать решать задачи классификации, регрессии и т.п. Самоучка, который устал от разрозненных туториалов и хочет пройти систематический курс с логичной структурой. Тот, кто хочет перейти в Data Science и ищет понятный старт, без перегрузки математикой на первом этапе.

Начальные требования

Задавать вопросы можно тут

https://t.me/SENATOROVAI

Наши преподаватели

Аватар пользователя

Как проходит обучение

Что нужно будет делать на курсе

    Повторять всё, что делается на видео
На каждой лекции преподаватель объясняет материал и параллельно пишет код.
Ваша задача — повторять за ним, шаг за шагом. Это ключ к пониманию и запоминанию.

   Вести подробные конспекты
После каждой лекции нужно будет оформить краткий конспект:

  • основные идеи и формулы;

  • структура кода и пояснения;

  • ошибки, с которыми вы столкнулись, и как их решили.

  Выполнять домашние задания
Домашние задания — это упрощённые или модифицированные версии задач, которые рассматривались на лекции. Вы это делаете самостоятельно!
Они помогают закрепить материал и подготовиться к следующему занятию.

  Хранить свои проекты и решения в github
Рекомендуется организовать всё в одну структуру — папки по темам, Jupyter-ноутбуки, markdown-файлы с описаниями.

Программа курса

загружаем...

Что вы получаете

  • Математическую базу для машинного обучения.
Price: Бесплатно

Расскажите о курсе друзьям

Price: Бесплатно