Содержание пакета (12 курсов)
1. Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science 5.0
1. Введение
4 урока
👁
168
👤
127
Открытый
1.1
Регламент взаимодействия
↗
57
16
2м
1
Открытый
1.2
Обзор курса
↗
49
49
2м
0
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
57
57
1м
0
Закрытый
1.4
Глоссарий
↗
5
5
0
2. Глава 1.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)
4 урока
👁
46
👤
12
Закрытый
2.1
Параметры метода, Фильтрация данных
↗
16
1
4м
0
Закрытый
2.2
(Краткий обзор) z-score: масштабирование признаков
↗
9
2
11м
0
Закрытый
2.3
train_test_split:Тестовая, обучающая выборка.
↗
11
3
6м
0
Закрытый
2.4
Инициализация параметров: Метод shape, bias, weights, previous.
↗
10
6
2м
0
3. Глава 2.Численный метод что это?
1 урок
👁
10
👤
6
Закрытый
3.1
Основные понятия. Изучение терминологии.
↗
10
6
3м
0
4. Глава 3.Математический анализ
4 урока
👁
36
👤
14
Закрытый
4.1
Понятие функции
↗
11
1
2м
0
Закрытый
4.2
Монотонность функции
↗
8
5
4м
0
Закрытый
4.3
Производная и монотонность функции
↗
10
1
6м
0
Закрытый
4.4
Понятие Оптимизации
↗
7
7
3м
0
5. Глава 4.Основные теоремы дифференциального исчисления
10 уроков
👁
122
👤
40
Закрытый
5.1
Теорема Ферма. Точка экстремума. Критическая точка.
↗
9
1
9м
0
Закрытый
5.2
Выпуклость.Вогнутость функции.Точка перегиба.Хорда
↗
7
6
8м
0
Закрытый
5.3
Этапы оптимизации функции
↗
8
4
5м
0
Закрытый
5.4
Основы оптимизации функции. Липшицевость. Гладкость. Выпуклость.
↗
8
2
15м
0
Открытый
5.5
Теорема Ролля: Основные понятия
↗
63
3
5м
0
Закрытый
5.6
Теорема Ролля: Синусоида. Основы тригонометрии.
↗
6
5
10м
0
Закрытый
5.7
Теорема Лагранжа: Основные понятия
↗
6
6
6м
1
Закрытый
5.8
Теорема Лагранжа: Парабола
↗
5
5
5м
0
Закрытый
5.9
Теорема Лагранжа: Линейная регрессия
↗
5
3
11м
1
Закрытый
5.10
Стационарная точка. Критическая точка. Точка экстремума.
↗
5
5
1м
0
6. Глава 5.Функция нескольких переменных.
5 уроков
👁
24
👤
19
Закрытый
6.1
Парабалойд
↗
5
5
5м
0
Закрытый
6.2
learning rate.Формула градиентного спуска
↗
5
1
16м
0
Закрытый
6.3
L1 vs L2
↗
6
6
3м
0
Закрытый
6.4
Как изменялась ошибка?
↗
4
4
4м
0
Закрытый
6.5
Теорема Лагранжа: Критерий сходимости алгоритма
↗
4
3
17м
1
7. Глава 6.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)
1 урок
👁
6
👤
3
Закрытый
7.1
GDLinearRegression: Повторный реверс-инжиниринг
↗
6
3
7м
0
8. Глава 7.Градиент и Функция потерь
3 урока
👁
14
👤
12
Закрытый
8.1
Геометрический смысл: Градиент и Функция потерь
↗
5
5
11м
0
Закрытый
8.2
Ортонормированный базис.Линейная зависимость.Линейная комбинация
↗
5
5
5м
1
Закрытый
8.3
Частные производные и Градиент
↗
4
2
15м
0
9. Глава 8.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)
1 урок
👁
6
👤
4
Закрытый
9.1
GDLinearRegression: Повторный реверс-инжиниринг
↗
6
4
21м
1
10. Глава 9.Реализация №2. Реверс-инжиниринг кода (Python+sklearn)
1 урок
👁
6
👤
2
Закрытый
10.1
Реверс-инжиниринг кода
↗
6
2
14м
1
11. Глава 10.Выводим с нуля формулу
2 урока
👁
8
👤
6
Закрытый
11.1
Скалярный квадрат. SSE.
↗
4
4
6м
0
Закрытый
11.2
Матричное диффенцирование: линейная форма, квадратичная форма
↗
4
2
24м
0
12. Глава 11.Реализация №2. Реверс-инжиниринг кода (Python+sklearn)
1 урок
👁
4
👤
2
Закрытый
12.1
Реверс-инжиниринг кода
↗
4
2
16м
0
13. Глава 12.Реализация №3. Реверс-инжиниринг кода (Python+sklearn)
1 урок
👁
4
👤
3
Закрытый
13.1
Реверс-инжиниринг кода
↗
4
3
8м
0
14. Глава 13.Экзамен на python
1 урок
👁
4
👤
2
Закрытый
14.1
тестирование на python
↗
4
2
1
15. Глава 14. Мини-Батч градиентный спуск
2 урока
👁
8
👤
6
Закрытый
15.1
Реверс-инжиниринг кода
↗
4
2
5м
0
Закрытый
15.2
Дебажим детально код, ставим брекпоинт и сверяем с математикой
↗
4
4
24м
0
16. Глава 15.Стохастический градиентный спуск
1 урок
👁
5
👤
2
Закрытый
16.1
Дебажим детально код, ставим брекпоинт и сверяем с математикой
↗
5
2
13м
0
17. Глава 16.Переобучение.недообучение модели:Underfit, good,overfit
1 урок
👁
4
👤
1
Закрытый
17.1
Основные различия
↗
4
1
3м
0
18. Глава 17. Сравнительный анализ. BGD VS MINI-BATCH VS SGD
1 урок
👁
4
👤
0
Закрытый
18.1
Плюсы, Минусы, Где применяется
↗
4
0
9м
1
19. (Краткий обзор) Корреляционно-регрессионный анализ
12 уроков
👁
38
👤
36
Закрытый
19.1
Intro: linear regression
↗
4
2
16м
1
Закрытый
19.2
Supervised learning/Unsupervised learning
↗
3
3
1м
0
Закрытый
19.3
Классификация моделей линейной регресии
↗
3
3
4м
0
Закрытый
19.4
Pipeline
↗
4
4
4м
0
Закрытый
19.5
Вероятностный и классический подход в машинном обучении
↗
3
3
7м
1
Закрытый
19.6
Почему называется МНК?
↗
3
3
0м
0
Закрытый
19.7
Ф-критерий Фишера/Т-критерий Стьюдента и Метрики качества модели
↗
5
5
2м
0
Закрытый
19.8
Теорема Гаусса-Маркова
↗
3
3
8м
0
Закрытый
19.9
Доверительный интервал
↗
2
2
2м
0
Закрытый
19.10
QQ-plot.Тест Шапиро-Уилка и Колмогорова смирнова
↗
3
3
1м
0
Закрытый
19.11
Градиентный спуск и Метод наименьших квадратов
↗
2
2
6м
0
Закрытый
19.12
Time complexity для МНК (Алгоритмы и структуры данных)
↗
3
3
1м
0
20. Если вам понравился курс...
1 урок
👁
3
👤
1
Закрытый
20.1
...то...
↗
3
1
0
21. стажировка в IT-организации и Школа Data Science
1 урок
👁
19
👤
2
Открытый
21.1
стажировка в IT-организации и Школа Data Science
↗
19
2
1м
1
22. Метод сопряжённых градиентов
1 урок
👁
2
👤
2
Закрытый
22.1
CG
↗
2
2
0
2. Руслан Сенаторов: L2-regularization. Ridge. Sklearn.Data Science
1. Введение
3 урока
👁
88
👤
60
Открытый
1.1
Регламент взаимодействия
↗
32
4
2м
1
Открытый
1.2
Обзор курса
↗
25
25
0м
1
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
31
31
1м
0
2. Глава1. Введение в регуляризацию.
3 урока
👁
112
👤
11
Открытый
2.1
Регуляризация в полиномиальной регрессии
↗
97
7
4м
0
Закрытый
2.2
Компромисс между смещением и дисперсией (Bias-Variance Tradeoff)
↗
10
2
3м
0
Закрытый
2.3
Регуляризация в линейной регрессии
↗
5
2
2м
0
3. Глава 2. Bias variance tradeoff
1 урок
👁
6
👤
2
Закрытый
3.1
Анализ графика регуляризации
↗
6
2
5м
0
4. Глава 3. Регуляризация Тихонова. L2. Ridge
2 урока
👁
10
👤
3
Закрытый
4.1
Регуляризация Тихонова. L2. Ridge
↗
5
2
3м
0
Закрытый
4.2
Метод наименьших квадратов
↗
5
1
3м
0
5. Глава 4. Гребневая регрессия vs Линейная регрессия
2 урока
👁
10
👤
2
Закрытый
5.1
Сравнение Python кода линейной и гребневой регрессии
↗
6
1
2м
0
Закрытый
5.2
Сравнение графиков линейной и гребневой регрессии
↗
4
1
1м
0
6. Глава 5. L2-регуляризация
5 уроков
👁
16
👤
4
Закрытый
6.1
Обзор формулы L2-регуляризации
↗
4
1
2м
-1
Закрытый
6.2
Что такое L2-норма?
↗
3
1
3м
0
Закрытый
6.3
L2-норма вектора на плоскости
↗
3
1
2м
-1
Закрытый
6.4
L2-норма вектора в пространстве
↗
3
1
3м
0
Закрытый
6.5
Ограничение через норму и квадрат нормы
↗
3
0
4м
0
7. Глава 6. Геометрическая интерпретация L2-регуляризации
5 уроков
👁
17
👤
5
Закрытый
7.1
Что такое линии уровня?
↗
4
1
2м
0
Закрытый
7.2
Геометрическая интерпретация регуляризации Тихонова
↗
3
1
8м
0
Закрытый
7.3
Геометрическая интерпретация параметра регуляризации
↗
3
1
2м
0
Закрытый
7.4
Уравнение окружности
↗
3
1
6м
0
Закрытый
7.5
4D Геометрическая интерпретация регуляризации
↗
4
1
3м
0
8. Глава 7. Мат. обоснование и вывод формул с нуля.
1 урок
👁
3
👤
1
Закрытый
8.1
Выводим формулу гребневой регрессии с нуля
↗
3
1
6м
0
9. Глава 8. Солверы
11 уроков
👁
28
👤
9
Закрытый
9.1
Как работать с интерактивной оболочкой?
↗
3
3
2м
0
Закрытый
9.2
Решатель: Нормальное уравнение.
↗
3
1
3м
0
Закрытый
9.3
Python: Имплементация нормального уравнения в L2-регуляризации
↗
3
1
8м
0
Закрытый
9.4
Решатель: Разложение Холецкого.
↗
3
0
5м
0
Закрытый
9.5
Решатель: SVD. Сингулярное разложение матрицы
↗
3
1
6м
0
Закрытый
9.6
Решатель: Градиентный спуск
↗
3
1
3м
0
Закрытый
9.7
Python: Имплементация градиентного спуска в L2-регуляризации
↗
3
1
9м
0
Закрытый
9.8
Решатель: SAG / SAGA
↗
1
0
4м
0
Закрытый
9.9
Решатель: Метод сопряжённых градиентов
↗
2
0
22м
0
Закрытый
9.10
Решатель: LSQR
↗
1
0
2м
0
Закрытый
9.11
Геометрическая интерпретация коэффициентов регрессии
↗
3
1
4м
0
10. Глава 9. Почему L2 не зануляет веса?
1 урок
👁
4
👤
1
Закрытый
10.1
Доказательство
↗
4
1
3м
1
11. Глава 10. Мат. обоснование смещённой оценки
6 уроков
👁
17
👤
5
Закрытый
11.1
Теорема Гаусса-Маркова
↗
3
1
4м
0
Закрытый
11.2
Bias: Cмещённая оценка гребневой регрессии.
↗
3
1
10м
0
Закрытый
11.3
Ковариационная матрица. Ковариация против корреляции.
↗
3
1
9м
0
Закрытый
11.4
Variance: Cмещённая оценка гребневой регрессии.
↗
3
1
5м
1
Закрытый
11.5
Почему MSE гребневой регрессии меньше OLS?
↗
3
0
6м
0
Закрытый
11.6
Почему линии уровня это эллипсы?
↗
2
1
2м
0
12. Глава 11. Мультиколлинеарность и обусловленность
2 урока
👁
6
👤
2
Закрытый
12.1
Фактор инфляции дисперсии (VIF) — мера мультиколлинеарности
↗
3
1
4м
0
Закрытый
12.2
Обусловленность (cond)
↗
3
1
2м
0
13. Глава 12. СЛАУ и логарифмическая шкала
2 урока
👁
6
👤
0
Закрытый
13.1
Геометрический смысл СЛАУ
↗
3
0
4м
0
Закрытый
13.2
Логарифмическая шкала и параметр регуляризации
↗
3
0
8м
0
14. Глава 13. Почему гребневая?
3 урока
👁
8
👤
0
Закрытый
14.1
Почему называется Гребневая регрессия?
↗
3
0
3м
0
Закрытый
14.2
Резюмируем
↗
3
0
2м
0
Закрытый
14.3
Регуляризация в других моделях ML
↗
2
0
0
15. Если вам понравился курс...
1 урок
👁
3
👤
0
Закрытый
15.1
...то...
↗
3
0
0
16. Школа Data Science .IT-Сообщество.Машинное обучение(ML)
1 урок
👁
14
👤
1
Открытый
16.1
Data Science Bootcamp.IT-Сообщество.Машинное обучение(ML)
↗
14
1
3м
1
3. Руслан Сенаторов: Solver Cholesky & LU. Sklearn. Data Science 5.0
1. Введение
3 урока
👁
140
👤
93
Открытый
1.1
Регламент взаимодействия
↗
60
13
2м
1
Открытый
1.2
Обзор курса
↗
35
35
2м
0
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
45
45
1м
0
2. Глава 1. Реверс-инжиниринг кода (Python+Numpy)
1 урок
👁
24
👤
4
Открытый
2.1
Основные понятия
↗
24
4
4м
0
3. Глава 2. LU-разложение: основные понятия
5 уроков
👁
45
👤
31
Закрытый
3.1
Алгоритм LU разложения
↗
13
9
3м
0
Закрытый
3.2
Матрица 3х3. Система уравнение. СЛАУ. Метод Гаусса.
↗
10
6
15м
0
Закрытый
3.3
Решаем систему АХ=B. Прямой ход. Обратный ход
↗
9
6
11м
0
Закрытый
3.4
LU-разложение с поворотом. Pivoting.
↗
7
4
12м
0
Закрытый
3.5
Почему LU-разложение хуже чем Холекций?
↗
6
6
2м
0
4. Глава 3. Разложение Холецкого
5 уроков
👁
128
👤
20
Закрытый
4.1
Основные понятия
↗
6
5
2м
1
Закрытый
4.2
Алгоритм разложения Холецкого
↗
103
7
2м
2
Закрытый
4.3
Матрица 3х3. Система уравнение. СЛАУ.
↗
7
4
10м
0
Закрытый
4.4
Решаем систему АХ=B. Прямой ход. Обратный ход
↗
6
4
12м
0
Закрытый
4.5
np.linalg.cholesky
↗
6
0
3м
1
5. Глава 4. Асимптотика. Сравнительный анализ.
9 уроков
👁
56
👤
56
Закрытый
5.1
Сравнение:Normal equation, SVD, QR, Cholesky, Gradient descent
↗
6
6
11м
1
Закрытый
5.2
Блок-схема выбора алгоритма
↗
6
6
7м
1
Закрытый
5.3
Большой, малый датасэт.
↗
6
6
4м
1
Закрытый
5.4
Что такое МНК? Историческая справка.
↗
7
7
3м
1
Закрытый
5.5
Критерий Кронекера и Квадратичной формы.
↗
6
6
2м
0
Закрытый
5.6
Почему Adam и Momentum не нужен в машинном обучении?
↗
7
7
2м
0
Закрытый
5.7
Условия и рекомендуемый метод поиска весов
↗
6
6
1м
0
Закрытый
5.8
Регуляризация Тихонова, Гребневая, Ridge, применение Холецкого
↗
6
6
2м
1
Закрытый
5.9
Скорость работы алгоритма
↗
6
6
6м
1
6. Глава 5.Реверс-инжиниринг Kaggle
1 урок
👁
9
👤
2
Закрытый
6.1
Ресёрчим kaggle
↗
9
2
16м
1
7. Если вам понравился курс...
1 урок
👁
15
👤
5
Открытый
7.1
...то...
↗
15
5
0м
0
8. стажировка в IT-организации и Школа Data Science
1 урок
👁
28
👤
6
Открытый
8.1
стажировка в IT-организации и Школа Data Science
↗
28
6
1м
1
9. Градиентный спуск и стахостический
1 урок
👁
8
👤
8
Закрытый
9.1
Градиентный спуск и стохастический
↗
8
8
1
4. Руслан Сенаторов: Solver L-BFGS-B. Sklearn. Data Science. Python
1. Введение
3 урока
👁
3
👤
2
Открытый
1.1
Регламент взаимодействия
↗
1
0
2м
1
Открытый
1.2
Обзор курса
↗
1
1
2м
1
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
1
1
1м
0
2. Глава1. Реверс-инжиниринг L-BFGS-B. Scikit-learn.
3 урока
👁
3
👤
2
Открытый
2.1
Введение в алгоритм L-BFGS-B
↗
1
0
4м
0
Закрытый
2.2
Реверс-инжиниринг исходников scikit-learn
↗
1
1
7м
0
Закрытый
2.3
Введение в Newton. Quasi-Newton. BFGS. LBFGS. LBFGSB
↗
1
1
3м
0
3. Глава 2. Сравнение градиентного спуска и метода Ньютона
1 урок
👁
1
👤
0
Закрытый
3.1
Анализ графиков схождения алгоритмов.Ньютон VS Градиентный спуск
↗
1
0
8м
0
4. Глава 3. Методы второго порядка
1 урок
👁
1
👤
0
Закрытый
4.1
Что видит Ньютон?
↗
1
0
3м
0
5. Глава 4. Условная и безусловная оптимизация
1 урок
👁
1
👤
0
Закрытый
5.1
Условная и безусловная оптимизация
↗
1
0
4м
0
6. Глава 5. Линейная аппроксимация и Тейлор 1 порядка
4 урока
👁
4
👤
1
Закрытый
6.1
Процедура градиентного спуска
↗
1
1
2м
0
Закрытый
6.2
Уравнение касательной
↗
1
0
10м
0
Закрытый
6.3
Линейная аппроксимация.
↗
1
0
3м
0
Закрытый
6.4
Разложение в ряд Тейлора первого порядка
↗
1
0
4м
0
7. Глава 6. Квадратичная аппроксимация и Тейлор 2 порядка
4 урока
👁
4
👤
1
Закрытый
7.1
Первый и второй порядок. Гессиан.
↗
1
0
4м
0
Закрытый
7.2
Квадратичная аппроксимация. Ряд Тейлора второго порядка
↗
1
0
5м
0
Закрытый
7.3
Общая формула Тейлора и Маклорена
↗
1
1
16м
-1
Закрытый
7.4
Остаточный член. Радиус сходимости.
↗
1
0
4м
0
8. Глава 7. Аппроксимация полином высокой степени VS ряд Тейлора
2 урока
👁
2
👤
1
Закрытый
8.1
Геометрический смысл: Аппроксимация полиномом vs рядом тейлора
↗
1
1
9м
0
Закрытый
8.2
Аналитический смысл: Аппроксимация полиномом vs рядом тейлора
↗
1
0
7м
-1
9. Глава 8. Метод Ньютона
8 уроков
👁
8
👤
8
Закрытый
9.1
Как шагают методы первого и второго порядка?
↗
1
1
4м
0
Закрытый
9.2
Сравнение градиентного спуска и метода Ньютона
↗
1
1
3м
0
Закрытый
9.3
Зачем вообще аппроксимировать?
↗
1
1
5м
0
Закрытый
9.4
Выпуклая и невыпуклая оптимизация. Гессиан.
↗
1
1
7м
0
Закрытый
9.5
Алгоритм Ньютона
↗
1
1
4м
0
Закрытый
9.6
Пример на линейной регрессии
↗
1
1
2м
0
Закрытый
9.7
Теорема Клеро. Смешенная производная. LOSS второго порядка.
↗
1
1
7м
0
Закрытый
9.8
Аффинная инвариантность: Преимущества и Проклятие Размерности
↗
1
1
6м
0
10. Глава 9. BFGS (Квазиньютоновские методы)
9 уроков
👁
9
👤
9
Закрытый
10.1
Метод касательной (Ньютона)
↗
1
1
2м
0
Закрытый
10.2
Broyden–Fletcher–Goldfarb–Shanno algorithm. BFGS
↗
1
1
1м
0
Закрытый
10.3
Метод секущих
↗
1
1
10м
0
Закрытый
10.4
BFGS: Уравнение секущей. Bs = y
↗
1
1
5м
0
Закрытый
10.5
BFGS: Разбор условий для уравнения секущей. Bs = y
↗
1
1
3м
0
Закрытый
10.6
Аналитический разбор: Уравнение секущей
↗
1
1
9м
0
Закрытый
10.7
Формула Шермана-Моррисона-Вудбери (Обновление обратной матрицы)
↗
1
1
4м
0
Закрытый
10.8
Линейный поиск (Line Search) и Условия Вольфе(Армихо и Кривизны)
↗
1
1
17м
0
Закрытый
10.9
Анализ графиков Newton vs BFGS
↗
1
1
5м
0
11. Глава 10. Limited-memory BFGS. Quasi-Newton methods approximates
3 урока
👁
3
👤
3
Закрытый
11.1
Идея алгоритма LBFGS
↗
1
1
3м
0
Закрытый
11.2
Реверс-инжиниринг: Скользящее окно памяти. Двухцикловая рекурсия
↗
1
1
14м
0
Закрытый
11.3
Сравнительная таблица. Анализ сложности.
↗
1
1
4м
0
12. Глава 11. L-BFGS-B.(Limited-memory BFGS with Bound constraints)
3 урока
👁
3
👤
3
Закрытый
12.1
Идея алгоритма L-BFGS-B (Limited-memory BFGS with Bound)
↗
1
1
4м
0
Закрытый
12.2
Точка Коши. Мин. в подпространстве. Active set vs Free set
↗
1
1
14м
0
Закрытый
12.3
Сравнительная таблица. Анализ сложности.
↗
1
1
3м
0
13. Если вам понравился курс...
1 урок
👁
0
👤
0
Закрытый
13.1
...то...
↗
0
0
0
14. Школа Data Science .IT-Сообщество.Машинное обучение(ML)
1 урок
👁
0
👤
0
Открытый
14.1
Data Science Bootcamp.IT-Сообщество.Машинное обучение(ML)
↗
0
0
3м
1
15. Сопряжённые градиенты
1 урок
👁
0
👤
0
Закрытый
15.1
Сопряжённые градиенты
↗
0
0
0
5. Руслан Сенаторов: Solver LSQR. Sklearn. Data Science. Python
1. Введение
3 урока
👁
42
👤
27
Открытый
1.1
Регламент взаимодействия
↗
15
0
2м
1
Открытый
1.2
Обзор курса
↗
10
10
2м
1
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
17
17
1м
0
2. Глава1. Обзор метода LSQR
3 урока
👁
78
👤
1
Открытый
2.1
Введение в алгоритм LSQR
↗
73
0
2м
0
Закрытый
2.2
Реверс-инжиниринг scikit-learn. Бидигоанализация Голуба-Кахана
↗
4
0
7м
0
Закрытый
2.3
Где применяется LSQR?
↗
1
1
8м
0
3. Глава 2. Реверс-инжиниринг LSQR
6 уроков
👁
6
👤
0
Закрытый
3.1
Метод Ланцоша. Историческая справка.
↗
1
0
6м
0
Закрытый
3.2
Обусловленность (cond)
↗
1
0
3м
0
Закрытый
3.3
СЛАУ И МНК. Проблема нормальных уравнений
↗
1
0
5м
0
Закрытый
3.4
Процедура бидиагонализации Голуба-Кахана
↗
1
0
27м
0
Закрытый
3.5
QR разложение с вращением Гивенса
↗
1
0
36м
0
Закрытый
3.6
Дополинтельное тестирование
↗
1
0
0
4. Глава 3. Особенность алгоритма
1 урок
👁
1
👤
0
Закрытый
4.1
Оценка норм в критериях остановы. atol. btol. conlim.
↗
1
0
9м
0
5. Глава 4. Сходимость алгоритма
1 урок
👁
1
👤
0
Закрытый
5.1
Анализ сходимости LSQR VS CG
↗
1
0
3м
-1
6. Глава 5. LSQR в эпоху нейросетей
1 урок
👁
2
👤
0
Закрытый
6.1
LSQR в современную эпоху
↗
2
0
2м
0
7. Глава 6. Геометрический смысл LSQR
1 урок
👁
2
👤
0
Закрытый
7.1
Геометрический смысл LSQR
↗
2
0
10м
0
8. Глава 7. Ключевые выводы
1 урок
👁
1
👤
1
Закрытый
8.1
Ключевые выводы по LSQR
↗
1
1
2м
-1
9. Если вам понравился курс...
1 урок
👁
2
👤
0
Закрытый
9.1
...то...
↗
2
0
0
10. Школа Data Science .IT-Сообщество.Машинное обучение(ML)
1 урок
👁
7
👤
0
Открытый
10.1
Data Science Bootcamp.IT-Сообщество.Машинное обучение(ML)
↗
7
0
3м
1
11. Следующий курс
1 урок
👁
3
👤
3
Закрытый
11.1
SAG/SAGA
↗
3
3
0
6. Руслан Сенаторов: Solver QR. Sklearn. Data Science. Python 5.0
1. Введение
3 урока
👁
85
👤
59
Открытый
1.1
Регламент взаимодействия
↗
32
6
2м
1
Открытый
1.2
Обзор курса
↗
21
21
2м
0
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
32
32
1м
0
2. Глава 1. Реверс-инжиниринг кода (Python+Numpy)
2 урока
👁
22
👤
10
Закрытый
2.1
Решение МНК с помощью QR-разложения
↗
12
1
1м
0
Закрытый
2.2
процесс ортогонализации Грама - Шмидта: Основные понятия
↗
10
9
1м
0
3. Глава 2. Скалярное произведение: основные понятия
10 уроков
👁
89
👤
72
Закрытый
3.1
Геометрический смысл cкалярного произведения
↗
10
8
2м
0
Закрытый
3.2
Норма вектора, L2, Евклидова норма
↗
9
8
1м
0
Закрытый
3.3
Как найти скалярное произведение векторов?
↗
9
7
2м
0
Закрытый
3.4
Угол между векторами:Острый,Тупой,Прямой. Коллинеарность.
↗
9
8
6м
0
Закрытый
3.5
Скалярный квадрат вектора
↗
9
7
1м
0
Закрытый
3.6
Алгебраический смысл скалярного произведения
↗
9
7
1м
0
Закрытый
3.7
Свойства скалярного произведения
↗
9
8
1м
0
Закрытый
3.8
Рекомендательная система. Косинусное сходство векторов
↗
9
6
9м
0
Закрытый
3.9
Ортогональность векторов.
↗
8
7
1м
0
Закрытый
3.10
Ортогональный и Ортонормированный базис, система векторов
↗
8
6
2м
0
4. Глава 3. Проекция
2 урока
👁
74
👤
13
Закрытый
4.1
Как найти проекцию вектора на вектор?
↗
8
7
5м
0
Открытый
4.2
Косинус угла. Выводим с нуля формулу проекции.
↗
66
6
6м
2
5. Глава 4.QR-разложение. Метод грама-шмидта
12 уроков
👁
94
👤
66
Закрытый
5.1
Основные понятия.
↗
8
7
2м
0
Закрытый
5.2
Задача наименьших квадратов
↗
9
6
3м
0
Закрытый
5.3
QR-разложение. Выводим формулу с нуля
↗
8
6
4м
0
Закрытый
5.4
Алгоритм Грама-Шмидта
↗
8
4
2м
0
Закрытый
5.5
Матрица 3х3. Квадратная. QR-разложение
↗
8
7
13м
0
Закрытый
5.6
Матрица 3х2. Прямоугольная. Высокая и узкая. QR-разложение
↗
7
6
6м
0
Закрытый
5.7
Матрица 2х2. Квадратная. QR-разложение
↗
7
6
7м
0
Закрытый
5.8
Матрица 3х3. Квадратная. QR-разложение
↗
8
6
3м
0
Закрытый
5.9
QR-разложение с повотором (pivoting)
↗
8
6
11м
0
Закрытый
5.10
Редуцированное QR
↗
7
5
1м
0
Закрытый
5.11
Геометрический смысл Грама-Шмидта
↗
9
6
9м
0
Закрытый
5.12
Линейная оболочка.Span.
↗
7
1
9м
0
6. Глава 5. Реверс-инжиниринг кода (Python+Numpy)
8 уроков
👁
56
👤
37
Закрытый
6.1
Явное обращение матрицы VS система линейных уравнений
↗
8
5
4м
0
Закрытый
6.2
scipy.linalg.lstsq. Изучаем ядро библиотеки lapack: gelsy
↗
8
1
3м
0
Закрытый
6.3
Шаг 0. Подключаем датасэт и читаем CSV
↗
8
1
4м
0
Закрытый
6.4
Шаг 1. Разведочный анализ(EDA). Стандартное отклонение.Дисперсия
↗
7
6
18м
0
Закрытый
6.5
Шаг 2. Подготовка данных. Sklearn.preprocessing.MinMaxScaler
↗
6
5
10м
0
Закрытый
6.6
Шаг 3. Построение модели ML.Sikit-learn.linaer regression
↗
6
6
6м
0
Закрытый
6.7
Шаг 4. Метрики: MAE,MSE,RMSE, R2
↗
7
7
11м
0
Закрытый
6.8
Шаг 5. QR-разложение VS Ridge регуляризация
↗
6
6
11м
0
7. Глава 6.Реверс-инжиниринг кода (Python+Numpy)
2 урока
👁
14
👤
2
Закрытый
7.1
Test №1 Perfomance qr vs normal equation
↗
7
1
6м
0
Закрытый
7.2
Test №2 Perfomance qr vs normal equation
↗
7
1
3м
0
8. Глава 7. Асимптотика. Сравнительный анализ.
1 урок
👁
10
👤
7
Закрытый
8.1
Плюсы, Минусы, Где применяется
↗
10
7
38м
0
9. QR Algorithm для поиска Eigenvectors
1 урок
👁
7
👤
4
Закрытый
9.1
Открываем новые возможности QR
↗
7
4
0
10. Если вам понравился курс...
1 урок
👁
21
👤
4
Открытый
10.1
...то...
↗
21
4
0м
0
11. стажировка в IT-организации и Школа Data Science
1 урок
👁
24
👤
4
Открытый
11.1
стажировка в IT-организации и Школа Data Science
↗
24
4
1м
1
12. Разложение Холецкого
1 урок
👁
9
👤
9
Закрытый
12.1
Разложение Холецкого
↗
9
9
0
7. Руслан Сенаторов: Solver SVD. Sklearn. Data Science. Python 5.0
1. Введение
3 урока
👁
193
👤
147
Открытый
1.1
Регламент взаимодействия
↗
64
18
2м
1
Открытый
1.2
Обзор курса
↗
56
56
2м
0
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
73
73
1м
0
2. Глава 1. Реверс-инжиниринг кода (Python+Numpy)
5 уроков
👁
89
👤
21
Закрытый
2.1
Сравнение метода INV и PINV.Псевдообратная матрица мура-Пенроуза
↗
22
3
3м
0
Закрытый
2.2
Изучаем библиотеку Linear algebra (numpy.linalg)
↗
19
3
3м
0
Закрытый
2.3
Математическое обоснование применения PINV вместо INV.
↗
17
2
8м
1
Закрытый
2.4
Сингулярная и Обратная матрица.Детерминант. Мультиколлинеарность
↗
16
11
5м
0
Закрытый
2.5
Изучаем метод PINV(SVD): псевдообратная матрица Мура-Пенроуза
↗
15
2
7м
0
3. Глава 2. Алгебраические структуры: моноид, группа, кольцо, поле
8 уроков
👁
118
👤
87
Закрытый
3.1
Понятие вектора.
↗
17
13
5м
0
Закрытый
3.2
Понятие алгебраической структуры.
↗
16
12
20м
0
Закрытый
3.3
Полугруппа
↗
16
13
6м
0
Закрытый
3.4
Моноид
↗
15
14
5м
0
Закрытый
3.5
Группа. Группа подстановок. Симметрическая группа s3
↗
14
2
11м
0
Закрытый
3.6
Абелева группа. Коммутативная группа
↗
14
11
6м
0
Закрытый
3.7
Кольцо
↗
13
11
5м
0
Закрытый
3.8
Поле
↗
13
11
2м
0
4. Глава 3. Линейное(Векторное) пространство.Линейные трансформации
6 уроков
👁
164
👤
65
Закрытый
4.1
Векторное пространство
↗
13
10
14м
0
Открытый
4.2
Евклидово пространство
↗
101
11
6м
2
Закрытый
4.3
Линейный оператор. Линейная трансформация / преобразования
↗
13
11
8м
0
Закрытый
4.4
Базис:Ортонормированный, Ортогональный, Афинный.Коллинеарность
↗
13
11
11м
0
Закрытый
4.5
Гомотетия: частный случай преобразования подобия
↗
12
11
28м
0
Закрытый
4.6
Виды преобразований
↗
12
11
13м
0
5. Глава 4.Собственные числа и векторы. Eigenvalue и eigenvectors
8 уроков
👁
114
👤
98
Закрытый
5.1
Основные понятия
↗
16
13
3м
0
Закрытый
5.2
Геометрическая интерпретация
↗
14
13
4м
0
Закрытый
5.3
Формальное определение.
↗
14
14
3м
0
Закрытый
5.4
Собственный вектор и значение линейного преобразования
↗
14
12
10м
0
Закрытый
5.5
Алгоритм нахождения собственных чисел и векторов
↗
14
12
7м
0
Закрытый
5.6
Матрица 2х2 алгоритм нахождения eigenvalue&eigenvector
↗
14
12
20м
0
Закрытый
5.7
Матрица 3х3 алгоритм нахождения eigenvalue&eigenvector
↗
14
11
42м
0
Закрытый
5.8
Комплексные числа
↗
14
11
13м
0
6. Глава 5.Матричная факторизация: Спектральное разложение матрицы
4 урока
👁
56
👤
44
Закрытый
6.1
Основные понятия. Eigenvalue decomposition
↗
14
13
4м
0
Закрытый
6.2
Матрица 2х2 алгоритм нахождения Eigenvalue decomposition
↗
14
10
19м
0
Закрытый
6.3
Геометрический смысл Eigenvalue decomposition. Матрица 2х2
↗
15
10
9м
0
Закрытый
6.4
Эрмитова матрица
↗
13
11
5м
0
7. Глава 6.Реверс-инжиниринг кода (Python+Numpy)
1 урок
👁
13
👤
11
Закрытый
7.1
Сингулярное разложение матрицы.
↗
13
11
3м
0
8. Глава 7.Матричная факторизация: Сингулярное разложение матрицы
15 уроков
👁
175
👤
88
Закрытый
8.1
Основные понятия. Singular Value Decomposition
↗
12
12
5м
0
Закрытый
8.2
Алгоритм нахождения singular value decomposition
↗
12
1
2м
0
Закрытый
8.3
Матрица 2х3.Прямоугольная-ШИРОКАЯ.Система уравнений.Метод Гаусса
↗
12
3
20м
0
Закрытый
8.4
Матрица 4х3.Прямоугольная-ВЫСОКАЯ.Система уравнений.Метод Гаусса
↗
11
1
17м
0
Закрытый
8.5
Матрица 3х3.Квадратная. Мультиколлинеарность. Находим SVD
↗
11
6
11м
0
Закрытый
8.6
Резюмируем
↗
12
10
4м
0
Закрытый
8.7
Усечённое(Truncated) SVD
↗
10
8
9м
0
Закрытый
8.8
Сжатие изображения с помощью SVD
↗
12
1
7м
0
Закрытый
8.9
Убираем шум с помощью SVD
↗
12
10
5м
0
Закрытый
8.10
Рекомендательная система SVD
↗
12
9
4м
0
Закрытый
8.11
Норма Фробениуса. След матрицы
↗
12
1
4м
0
Закрытый
8.12
Теорема Эккарта Янга
↗
12
1
10м
-1
Закрытый
8.13
Геометрический смысл SVD
↗
11
9
8м
0
Закрытый
8.14
Аналитический смысл SVD
↗
11
8
2м
0
Закрытый
8.15
Сходство EVD и SVD
↗
13
8
3м
0
9. Глава 8. Реверс-инжиниринг кода (Python+Numpy)
1 урок
👁
10
👤
10
Закрытый
9.1
Функция PINV. Псевдообратная матрица Мура-Пенроуза
↗
10
10
1м
0
10. Глава 9.Матричная факторизация: матрица Мура пенроуза
7 уроков
👁
67
👤
44
Закрытый
10.1
Выводим с нуля формулу для pinv - Moore-Penrose pseudoinverse
↗
11
8
11м
0
Закрытый
10.2
Матрица 4х2.Прямоугольная-ВЫСОКАЯ.
↗
9
5
3м
0
Закрытый
10.3
Матрица 2х2.Квадратная. Мультиколлинеарность.
↗
9
3
2м
0
Закрытый
10.4
Прообраз и образ. Отображение.
↗
9
8
2м
0
Закрытый
10.5
Геометрический смысл pinv - Moore-Penrose pseudoinverse
↗
10
8
1м
0
Закрытый
10.6
Метод наименьших квадратов:Мура-Пенроуза наилучшая аппроксимация
↗
10
4
2м
0
Закрытый
10.7
Реверс инжиниринг scikit-learn, метод fit
↗
9
8
0
11. Глава 10. Реверс-инжиниринг кода (Python+Numpy)
3 урока
👁
24
👤
24
Закрытый
11.1
Функция PINV
↗
8
8
4м
0
Закрытый
11.2
Резюмируем
↗
8
8
3м
0
Закрытый
11.3
Пишем алгоритм PINV с нуля
↗
8
8
4м
0
12. Глава 12. Сравнительный анализ. INV VS PINV VS QR
1 урок
👁
10
👤
8
Закрытый
12.1
Плюсы, Минусы, Где применяется
↗
10
8
2м
0
13. Если вам понравился курс...
1 урок
👁
29
👤
9
Открытый
13.1
...то...
↗
29
9
0м
0
14. стажировка в IT-организации и Школа Data Science
1 урок
👁
30
👤
9
Открытый
14.1
стажировка в IT-организации и Школа Data Science
↗
30
9
1м
1
15. QR
1 урок
👁
13
👤
13
Закрытый
15.1
QR
↗
13
13
0м
0
8. Руслан Сенаторов: Solver Sag & SAGA. Sklearn.Data Science.Python
1. Введение
3 урока
👁
46
👤
20
Открытый
1.1
Регламент взаимодействия
↗
19
2
2м
1
Открытый
1.2
Обзор курса
↗
10
1
1м
1
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
17
17
1м
0
2. Глава1. Обзор метода SAG
1 урок
👁
55
👤
1
Открытый
2.1
Введение в алгоритм SAG + Реверс-инжиниринг scikit-learn.
↗
55
1
7м
0
3. Глава 2. Сравнение градиентного спуска и стохастического
1 урок
👁
2
👤
0
Закрытый
3.1
Минимизация эмперического риска.Градиентный спуск,Стохастический
↗
2
0
21м
0
4. Глава 3. Анализ графиков
2 урока
👁
2
👤
0
Закрытый
4.1
Анализ схождения стохастических и детерминированных методов
↗
1
0
12м
0
Закрытый
4.2
Анализ схождения SAG vs LBFGS vs Координатные методы
↗
1
0
4м
0
5. Глава 4. Выпуклость vs Сильная выпуклость
1 урок
👁
1
👤
0
Закрытый
5.1
Сильная выпуклость и просто выпуклость
↗
1
0
6м
0
6. Глава 5. Реверс-инжиниринг SAG
8 уроков
👁
8
👤
2
Закрытый
6.1
Условия сходимости SAG
↗
1
0
3м
0
Закрытый
6.2
Концепция алгоритма SAG
↗
1
0
17м
0
Закрытый
6.3
Аналитический разбор алгоритма SAG
↗
1
0
17м
0
Закрытый
6.4
Считаем вручную SAG
↗
1
0
13м
0
Закрытый
6.5
L-Липшицев градиент. Собственные числа. Матрица Гессе.
↗
1
0
14м
0
Закрытый
6.6
Структура SAG методов
↗
1
1
3м
-1
Закрытый
6.7
Смещённая оценка градиента
↗
1
0
7м
0
Закрытый
6.8
SVRG
↗
1
1
5м
0
7. Глава 6. SAGA
2 урока
👁
2
👤
1
Закрытый
7.1
SAGA
↗
1
0
4м
-1
Закрытый
7.2
Как выбрать солвер?
↗
1
1
7м
0
8. Если вам понравился курс...
1 урок
👁
1
👤
0
Закрытый
8.1
...то...
↗
1
0
0
9. Школа Data Science .IT-Сообщество.Машинное обучение(ML)
1 урок
👁
6
👤
0
Открытый
9.1
Data Science Bootcamp.IT-Сообщество.Машинное обучение(ML)
↗
6
0
3м
1
10. Переобучение и недообучение
1 урок
👁
1
👤
1
Закрытый
10.1
Переобучение и недообучение
↗
1
1
0
9. Руслан Сенаторов: Solver Sparse_cg. Sklearn.Data Science. Python
1. Введение
3 урока
👁
51
👤
36
Открытый
1.1
Регламент взаимодействия
↗
17
2
2м
1
Открытый
1.2
Обзор курса
↗
12
12
2м
1
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
22
22
1м
0
2. Глава1. Обзор метода CG
3 урока
👁
83
👤
2
Открытый
2.1
Введение в метод сопряжённых градиентов
↗
76
1
5м
0
Закрытый
2.2
Реверс-инжиниринг scikit-learn
↗
4
1
7м
0
Закрытый
2.3
Геометрический смысл метода сопряжённых градиентов
↗
3
0
6м
0
3. Глава 2. Проекционные методы
8 уроков
👁
16
👤
0
Закрытый
3.1
Общий подход к построение проекционных методов
↗
4
0
4м
0
Закрытый
3.2
Условия Петрова-Галёркина
↗
3
0
9м
0
Закрытый
3.3
Косой и ортогональный проекционный метод
↗
2
0
2м
0
Закрытый
3.4
Проекционный оператор
↗
2
0
6м
0
Закрытый
3.5
Образ и ядро проектора
↗
2
0
10м
0
Закрытый
3.6
Линейное многообразие. Аффинное пространство.
↗
1
0
12м
-1
Закрытый
3.7
Матричные базисы
↗
1
0
4м
0
Закрытый
3.8
Одномерные проекционные процессы
↗
1
0
5м
-1
4. Глава 3. Краткие сведения из линейной алгебры
5 уроков
👁
5
👤
1
Закрытый
4.1
Пространство: Линейное, Метрическое, Нормированное, Евклидово
↗
1
1
9м
0
Закрытый
4.2
Подпространство
↗
1
0
3м
0
Закрытый
4.3
Матрица проектирования и базис
↗
1
0
5м
0
Закрытый
4.4
Ортогональное дополнение
↗
1
0
5м
0
Закрытый
4.5
Энергетическая норма (А-норма)
↗
1
0
8м
0
5. Глава 4. Подпространство Крылова
3 урока
👁
4
👤
0
Закрытый
5.1
подпространство Крылова: Геометрический смысл
↗
1
0
12м
0
Закрытый
5.2
подпространство Крылова: Алгебраический смысл
↗
2
0
10м
0
Закрытый
5.3
Полиномиальная апроксимация. Теорема Камильтона-Кэли.
↗
1
0
20м
0
6. Глава 5. Реверс-инжиниринг CG
6 уроков
👁
10
👤
1
Закрытый
6.1
Метод наискорейшего спуска(Steepest Descent)
↗
2
0
11м
0
Закрытый
6.2
Сопряжённые градиенты. А-Ортогональность.
↗
1
0
13м
0
Закрытый
6.3
Квадратичная форма
↗
2
1
9м
0
Закрытый
6.4
Разбор алгоритма CG в python
↗
3
0
20м
0
Закрытый
6.5
Предобуславливатель
↗
1
0
10м
0
Закрытый
6.6
CG для нормальных систем уравнений
↗
1
0
7м
0
7. Глава 6. Доказательство и Геометрия CG в подпространстве Крылова
4 урока
👁
5
👤
1
Закрытый
7.1
Аналитическое доказательство CG.
↗
2
0
11м
0
Закрытый
7.2
Геометрическое доказательство CG и Метод Грама-Шмидта
↗
1
0
31м
0
Закрытый
7.3
Геометрический смысл CG на подпространстве Крылова
↗
1
1
17м
1
Закрытый
7.4
Академическое формальное доказательство
↗
1
0
27м
0
8. Если вам понравился курс...
1 урок
👁
3
👤
0
Закрытый
8.1
...то...
↗
3
0
0
9. Школа Data Science .IT-Сообщество.Машинное обучение(ML)
1 урок
👁
9
👤
0
Открытый
9.1
Data Science Bootcamp.IT-Сообщество.Машинное обучение(ML)
↗
9
0
3м
1
10. LSQR
1 урок
👁
3
👤
3
Закрытый
10.1
Lsqr
↗
3
3
0
10. Руслан Сенаторов: Underfitting&Overfitting. Sklearn.Data Science
1. Введение
3 урока
👁
89
👤
61
Открытый
1.1
Регламент взаимодействия
↗
31
3
2м
1
Открытый
1.2
Обзор курса
↗
25
25
4м
1
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
33
33
1м
0
2. Глава1. Анализ сфер с полиномиальной зависимостью
1 урок
👁
89
👤
4
Открытый
2.1
Бизнес кейсы с полиномиальной регрессией
↗
89
4
5м
0
3. Глава 2. Основные понятия
2 урока
👁
11
👤
5
Закрытый
3.1
Понятие монома (одночлен)
↗
6
3
3м
0
Закрытый
3.2
Понятие полинома (многочлен)
↗
5
2
3м
0
4. Глава 3. Моделирование и ряд Тейлора
2 урока
👁
12
👤
4
Закрытый
4.1
Моделирование полиномов в DESMOS
↗
5
2
9м
0
Закрытый
4.2
Понятие ряд Тейлора
↗
7
2
3м
0
5. Глава 4. Математическое обоснование формулы
1 урок
👁
6
👤
2
Закрытый
5.1
Выводим формулу полиномиальной регрессии с нуля.
↗
6
2
10м
0
6. Глава 5. Реверс-инжиниринг Python кода
3 урока
👁
13
👤
3
Закрытый
6.1
Полиномиальные признаки:sklearn.preprocessing.PolynomialFeatures
↗
5
1
5м
0
Закрытый
6.2
Реверс-инжиниринг Python кода
↗
4
1
6м
0
Закрытый
6.3
Улучшаем код для выбора гиперпараметра модели
↗
4
1
3м
-1
7. Глава 6. Анализ метрик
3 урока
👁
11
👤
0
Закрытый
7.1
Метрика MAPE
↗
4
0
2м
0
Закрытый
7.2
Анализ метрик и выбор степени полинома. UNDERFITTING OVERFITTING
↗
4
0
11м
-1
Закрытый
7.3
Анализ графика полиномиальной регрессии
↗
3
0
3м
0
8. Глава 7. Анализ числовых показателей регрессии
2 урока
👁
7
👤
0
Закрытый
8.1
Анализ коэффициентов регрессии
↗
3
0
7м
0
Закрытый
8.2
Анализ графика остатков
↗
4
0
10м
0
9. Глава 8. Введение в разложение ошибки на смещение и разброс
1 урок
👁
3
👤
0
Закрытый
9.1
Понятие Bias-Variance Decomposition и Tradeoff
↗
3
0
7м
0
10. Глава 9. Bias
2 урока
👁
6
👤
0
Закрытый
10.1
Понятие Bias (смещение)
↗
3
0
7м
0
Закрытый
10.2
Bias (смещение): математическое обоснование
↗
3
0
9м
0
11. Глава 10. Variance
4 урока
👁
5
👤
0
Закрытый
11.1
Понятие variance (разброс)
↗
2
0
3м
0
Закрытый
11.2
Геометрический смысл bias и variance
↗
1
0
2м
0
Закрытый
11.3
Кросс-валидация (краткий обзор)
↗
1
0
7м
0
Закрытый
11.4
Variance (разброс): математическое обоснование
↗
1
0
5м
0
12. Глава 11. Noise
4 урока
👁
4
👤
0
Закрытый
12.1
Понятие noise (шум)
↗
1
0
2м
0
Закрытый
12.2
Геометрический смысл noise
↗
1
0
5м
0
Закрытый
12.3
Noise (шум): математическое обоснование
↗
1
0
3м
0
Закрытый
12.4
Анализ графика: Шум как неустранимая ошибка.
↗
1
0
3м
0
13. Глава 12. Bias Varians Decomposition (BVD)
2 урока
👁
2
👤
0
Закрытый
13.1
PDF. График плотности нормального распределения гаусса
↗
1
0
7м
0
Закрытый
13.2
Выводим формулу с нуля. Bias varians decomposition
↗
1
0
8м
0
14. Глава 13. model complexity и learning curves
6 уроков
👁
7
👤
1
Закрытый
14.1
Анализ графика model complexity
↗
1
0
9м
1
Закрытый
14.2
Бритва Оккама или как выбрать гиперпараметр?
↗
1
0
3м
0
Закрытый
14.3
Валидационная выборка
↗
1
0
2м
0
Закрытый
14.4
Анализ кривых обучения (learning curves)
↗
1
0
6м
0
Закрытый
14.5
Борьба с недообучением и переобучением
↗
1
0
6м
1
Закрытый
14.6
BVD: Decision Tree, Random Forest, KNN, Логистическая, Нейросети
↗
2
1
0
15. Сплайны в задачах интерполяции и регрессионного анализа
1 урок
👁
4
👤
0
Закрытый
15.1
Введение в сплайновую регрессию (с реализацией в Python)
↗
4
0
0
16. Если вам понравился курс...
1 урок
👁
3
👤
1
Закрытый
16.1
...то...
↗
3
1
0
17. стажировка в IT-организации и Школа Data Science
1 урок
👁
14
👤
1
Открытый
17.1
стажировка в IT-организации и Школа Data Science
↗
14
1
1м
1
18. Регуляризация
1 урок
👁
3
👤
3
Закрытый
18.1
Регуляризация.Гребневая регрессия
↗
3
3
0
11. Руслан Сенаторов: Множественная регрессия. Sklearn. Data Science 5.0
1. Введение
4 урока
👁
188
👤
145
Открытый
1.1
Регламент взаимодействия
↗
73
30
2м
1
Открытый
1.2
Обзор курса
↗
35
35
3м
1
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
57
57
1м
0
Закрытый
1.4
Глоссарий
↗
23
23
7м
0
2. Геометрический взгляд
1 урок
👁
85
👤
22
Открытый
2.1
Сравнение простой и множественной регрессии
↗
85
22
16м
0
3. Реверс-инжиниринг кода (Python+sklearn)
3 урока
👁
75
👤
18
Закрытый
3.1
Параметры метода, Фильтрация данных
↗
27
2
9м
0
Закрытый
3.2
(Краткий обзор) z-score: масштабирование признаков
↗
24
1
23м
0
Закрытый
3.3
train_test_split:Тестовая, обучающая выборка.
↗
24
15
11м
0
4. Математическое обоснование метода "insert"
2 урока
👁
47
👤
29
Закрытый
4.1
Введение: np.insert
↗
24
22
6м
0
Закрытый
4.2
np.insert.Математическое обоснование
↗
23
7
29м
0
5. Формы записи уравнения линейной регресии
1 урок
👁
21
👤
19
Закрытый
5.1
Скалярная,Векторная,Матричная,Функциональная,развёрнутая форма
↗
21
19
7м
0
6. Вычисляем предсказание модели
1 урок
👁
22
👤
13
Закрытый
6.1
Умножаем матрицу весов 3-х моделей на вектор признаков
↗
22
13
11м
0
7. np.linalg.inv(X.T@X).Нормальное уравнение
4 урока
👁
89
👤
72
Закрытый
7.1
Введение Основные понятия. Термины.
↗
23
19
16м
-1
Закрытый
7.2
Матрица 2х2.Обратная матрица.Определитель.Миноры.Дополнения
↗
22
18
21м
0
Закрытый
7.3
Метод Predict: X_test @ self.weights + self.bias
↗
23
17
12м
-1
Закрытый
7.4
Матрица 3х3.Обратная матрица.Определитель.Миноры.Дополнения
↗
21
18
29м
0
8. Вычисляем определитель
2 урока
👁
41
👤
33
Закрытый
8.1
Правило саррюса. Матрица 3 порядка
↗
21
16
11м
0
Закрытый
8.2
Правило треугольников. Матрица 3 порядка
↗
20
17
6м
0
9. Ранг матрицы.Линейная независимость.Вырожденная матрица.
1 урок
👁
21
👤
11
Закрытый
9.1
Линейная комбинация.
↗
21
11
10м
0
10. Коллинеарность и мультиколлинеарность, что это и как обнаружить?
1 урок
👁
22
👤
17
Закрытый
10.1
Определитель.Ранг матрицы.Матрица корреляции
↗
22
17
13м
0
11. Регуляризация l1 l2
2 урока
👁
42
👤
24
Закрытый
11.1
L1 vs L2 норма
↗
20
9
10м
0
Закрытый
11.2
Ridge regularization vs Lasso
↗
22
15
4м
0
12. Нормально уравнение С НУЛЯ.Матричное диффенцирование
3 урока
👁
58
👤
29
Закрытый
12.1
SSE VS MSE
↗
20
1
14м
0
Закрытый
12.2
Раскрываем формулу
↗
19
15
9м
0
Закрытый
12.3
Матричное диффенцирование
↗
19
13
29м
0
13. Система Линейных Алгебраических Уравнений
2 урока
👁
36
👤
24
Закрытый
13.1
Метод сложения системы уравнений и подстановки
↗
19
13
21м
0
Закрытый
13.2
Метод Гаусса
↗
17
11
51м
0
14. Геометрическая интерпретация метода наименьших квадратов
3 урока
👁
47
👤
22
Закрытый
14.1
Ортогональная проекция на столбцовое пространство матрицы Х
↗
17
11
21м
0
Закрытый
14.2
Коэффициент детерминации R2(SSR/SST)
↗
16
10
19м
0
Закрытый
14.3
Заключение
↗
14
1
3м
0
15. Экзамен
1 урок
👁
16
👤
10
Закрытый
15.1
тестирование на python
↗
16
10
19м
0
16. (Краткий обзор) Корреляционно-регрессионный анализ
13 уроков
👁
201
👤
195
Закрытый
16.1
Intro: linear regression
↗
14
11
17м
1
Закрытый
16.2
Supervised learning/Unsupervised learning
↗
14
14
1м
0
Закрытый
16.3
Классификация моделей линейной регресии
↗
14
14
4м
0
Закрытый
16.4
Pipeline
↗
18
18
4м
0
Закрытый
16.5
Вероятностный и классический подход в машинном обучении
↗
16
16
7м
1
Закрытый
16.6
Почему называется МНК?
↗
15
15
0м
0
Закрытый
16.7
Ф-критерий Фишера/Т-критерий Стьюдента и Метрики качества модели
↗
17
17
2м
0
Закрытый
16.8
Теорема Гаусса-Маркова
↗
16
16
8м
0
Закрытый
16.9
Доверительный интервал
↗
15
15
2м
0
Закрытый
16.10
QQ-plot.Тест Шапиро-Уилка и Колмогорова смирнова
↗
18
18
1м
0
Закрытый
16.11
Градиентный спуск и Метод наименьших квадратов
↗
14
14
6м
0
Закрытый
16.12
Time complexity для МНК (Алгоритмы и структуры данных)
↗
14
14
1м
0
Закрытый
16.13
Тестирование
↗
16
13
1м
0
17. Если вам понравился курс...
1 урок
👁
19
👤
15
Закрытый
17.1
...то...
↗
19
15
0м
0
18. стажировка в IT-организации и Школа Data Science
1 урок
👁
34
👤
15
Открытый
18.1
стажировка в IT-организации и Школа Data Science
↗
34
15
1м
1
19. Множественная регрессия. SVD
1 урок
👁
17
👤
17
Закрытый
19.1
Множественная регрессия. SVD
↗
17
17
0м
0
12. Руслан Сенаторов:Простая линейная регрессия.Sklearn.Data Science 5.0
1. Введение
4 урока
👁
741
👤
610
Открытый
1.1
Регламент взаимодействия
↗
269
138
3м
5
Открытый
1.2
Обзор курса
↗
158
158
2м
3
Открытый
1.3
Школа Анализа Данных. Kaggle. arXiv.
↗
220
220
0м
5
Закрытый
1.4
Глоссарий
↗
94
94
1м
0
2. Метод наименьших квадратов (Парная/простая регрессия)
4 урока
👁
668
👤
245
Открытый
2.1
Имплементация на Python
↗
371
19
18м
5
Закрытый
2.2
МНК: Применяем формулу.Вычисляем коэффициенты
↗
107
107
8м
3
Закрытый
2.3
Функция потерь - Функция нескольких переменных.(ФНП)
↗
99
99
7м
1
Закрытый
2.4
Тестирование
↗
91
20
10м
2
3. Математический анализ
5 уроков
👁
355
👤
148
Закрытый
3.1
Геометрический и физический смысл производной
↗
85
33
13м
2
Закрытый
3.2
Дифференциал и Нотация Лейбница
↗
78
26
5м
1
Закрытый
3.3
Производная по определению через предел
↗
68
22
8м
1
Закрытый
3.4
Частная производная
↗
65
21
6м
0
Закрытый
3.5
Тестирование
↗
59
46
1м
0
4. Получаем формулу МНК с нуля
2 урока
👁
114
👤
96
Закрытый
4.1
Частные производные от Функции потерь
↗
61
61
10м
0
Закрытый
4.2
Тестирование
↗
53
35
2м
0
5. Теория рядов
2 урока
👁
104
👤
36
Закрытый
5.1
Выводим формулу МНК
↗
59
14
57м
0
Закрытый
5.2
Тестирование
↗
45
22
2м
0
6. Линейная алгебра
2 урока
👁
106
👤
97
Закрытый
6.1
Метод крамера и система линейных алгебраических уравнений (СЛАУ)
↗
59
59
3м
0
Закрытый
6.2
Тестирование
↗
47
38
1м
0
7. Интерпретация формулы МНК
1 урок
👁
53
👤
13
Закрытый
7.1
Аналитический и геометрический смысл МНК
↗
53
13
7м
1
8. Интерполяция и Аппроксимация
1 урок
👁
52
👤
39
Закрытый
8.1
В чём разница?
↗
52
39
1м
0
9. Линейная регрессия на Python с нуля
1 урок
👁
56
👤
12
Закрытый
9.1
Scikit-learn: linear regression
↗
56
12
8м
0
10. Экзамен
1 урок
👁
37
👤
9
Закрытый
10.1
тестирование на python
↗
37
9
60м
0
11. (Краткий обзор) Корреляционно-регрессионный анализ
13 уроков
👁
595
👤
542
Закрытый
11.1
Intro: linear regression
↗
67
27
17м
1
Закрытый
11.2
Supervised learning/Unsupervised learning
↗
48
48
1м
0
Закрытый
11.3
Классификация моделей линейной регресии
↗
45
45
4м
0
Закрытый
11.4
Pipeline
↗
51
51
4м
0
Закрытый
11.5
Вероятностный и классический подход в машинном обучении
↗
46
46
7м
1
Закрытый
11.6
Почему называется МНК?
↗
43
43
0м
0
Закрытый
11.7
Ф-критерий Фишера/Т-критерий Стьюдента и Метрики качества модели
↗
46
46
2м
0
Закрытый
11.8
Теорема Гаусса-Маркова
↗
43
43
8м
0
Закрытый
11.9
Доверительный интервал
↗
39
39
2м
0
Закрытый
11.10
QQ-plot.Тест Шапиро-Уилка и Колмогорова смирнова
↗
37
37
1м
0
Закрытый
11.11
Градиентный спуск и Метод наименьших квадратов
↗
42
42
6м
0
Закрытый
11.12
Time complexity для МНК (Алгоритмы и структуры данных)
↗
41
41
1м
0
Закрытый
11.13
Тестирование
↗
47
34
2м
0
12. Если вам понравился курс...
1 урок
👁
68
👤
33
Открытый
12.1
...то...
↗
68
33
0м
0
13. стажировка в IT-организации и Школа Data Science
1 урок
👁
110
👤
38
Открытый
13.1
стажировка в IT-организации и Школа Data Science
↗
110
38
1м
1
14. Множественная линейная регрессия
1 урок
👁
43
👤
43
Закрытый
14.1
Множественная линейная регрессия
↗
43
43
0м
0