Отличный курс. Рассчитан на новичков. Подробно объясняется смысл и вывод уравнения линейной регрессии. Также включает работу с kaggle-ноутбуками, датасетами и практические задания на написание кода на Python.
Пройден очередной курс! В нём я изучил зачем нужно разложение Холецкого, где он применяется, его сильный и слабые стороны. Благодаря курсам Руслана у меня выстроилась четкая картинка основных методов машинного обучения, когда лучше использовать аналитическое решение, а когда итерационные методы. В каких случаях матричное разложение выигрывает у нормального уравнения, виды датасетов(высокий, широкий, квадратный) и список можно продолжать довольно долго. Основная мысль отзыва в том что с прохождением курсов у меня в голове строится четкая картина как работает машинное обучение и что под капотом каждого метода. Это очень ценные знания, которые можно получить в этих курсах. Огромное спасибо Руслану за проделанную работу и за это комфортное, глубокое погружение в машинное обучение. Обязательно иду дальше — в планах курс по градиентному спуску.
Прошел ещё один курс, появилось четкое понимание что такое QR-разложение и зачем его используют. В курсе я вывел формулу, понял почему разбиваем QR на 2 матрицы, где её используют и в чем отличие у QR по сравнению с нормальным уравнением, SVD и градиентными спусками. Отдельная благодарность Руслану за объяснение размеров датасетов и какие методы нужно использовать для оптимального решения и наилучшего предсказания модели. Из-за того что Руслан выстроил отличный роадмап и на предыдущих этапах дал сильную базу в понимании матриц и векторов, курс по QR был пройден очень динамично и понятно. Ещё раз огромное спасибо за курс и проделанную работу!
Отличный курс для углубления в машинное обучение. Материал хорошо структурирован и подан: многие вопросы разбираются по несколько раз под разными углами и в разном контексте, так что к концу курса сложно сказать, что вы что-то недопоняли. Особенно ценно, что всё рассматривается в прикладном контексте Data Science, а не как абстрактная алгебра. Это помогает понять, как именно алгоритмы работают внутри библиотек. Тесты и задания составлены грамотно: они проверяют реальное понимание алгоритмов, а не просто запоминание формул - и помогают ещё лучше усвоить материал. Рекомендую курс всем, кто хочет разобраться, как методы оптимизации работают «под капотом», и повысить качество своих моделей.
Научился с нуля выводить коефиценты m, b и понял их физические и геометрические смыслы
Прошел ещё один курс от IT организации Senatorov. На данный момент это был SVD. В ней я разобрался что такое SVD, где его используют(рекомендательные системы, сжатие изображений, шумоподавление в данных и многое другое). Что такое сингулярное разложение матрицы, зачем мы разбиваем основную матрицу на 3 других, что такое сингулярные числа и как они влияют на понижение размерности и много чего ещё. Как всегда Руслан приготовил подарок в виде дополнительного понимания темы, а именно Реверс инжиниринг scikit-learn метода .fit где указал как SVD используется в решении МНК. Огромная благодарность за проделанную работу и структурное обучение не только теории, но и кучей практики.
Спасибо за курс! Круто, что есть примеры с kaggle. В качестве пожелания - можно еще добавить. Круто, что есть возможность полистать документацию sklearn. В качестве пожелания, можно было больше уделить внимания встроенным средствам sklearn для работы в с линейной регрессией. Теория линейной регрессии изложена максимально всесторонне и доступно. Есть бонусный материал, за который тоже спасибо большое. Лично для меня не хватило практики, но понимание процесса стало понятно.
"В качестве пожелания, можно было больше уделить внимания встроенным средствам sklearn для работы в с линейной регрессией" В курсе я разбираю солвер "скалярная форма нормального уравнения", данная форма не используется в sklearn, соответственно и sklearn не должно быть в курсе.
Очень крутой курс. Идеально подходит для новичков, которые хотят освоить основы машинного обучения с нуля. Материал подаётся тщательно и последовательно, без перегрузки сложной математикой. Код разбирается несколько раз - построчно, с подробными объяснениями и в разных вариациях, что помогает действительно понять логику алгоритмов, а не просто повторить решение. Отличный старт для уверенного входа в ML учитывая,что алгоритм ГД это базовый алгоритм в нейросетях
Чудесный курс. Если бы можно было поставить 10 звёзд, поставил бы!