Курс доступно повествует сложную теорию и формулы аналитической геометрии и матанализа, практические материалы выверено подобраны для отработки и закрепления столпов Data Science
Прошел курс по солверам SAG и SAGA. Разобрался не только в их устройстве, но и в практической логике применения: когда какой выбирать и почему они принципиально отличаются от обычного SGD. Отдельное спасибо за наглядные графики - визуализация траекторий к минимуму и демонстрация влияния шума на шаг градиента дополнили рассмотренные ранее формулы. Материал структурирован, прост для восприятия и с глубоким пониманием нюансов.
Я научился солверу SLR. Узнал как находятся веса. Самое крутое что формулы для нахождения весов были доказаны!! Я прям кайфанул от этого.
Курс отлично структурирован: от задачи наименьших квадратов до численной реализации. Хочу отметить что объяснение LSQR через бидиагонализацию Голуба-Кохана позволило увидеть, как мы проецируем исходную матрицу на подпространство Крылова без формирования A^T A, избегая катастрофической потери точности. Связь с QR-разложением в малой задаче проекции наглядно демонстрирует, почему метод устойчив. Отдельный плюс за геометрическую визуализацию, стало понятно, почему метод дает монотонное убывание нормы невязки, но при этом важно вовремя остановиться (эффект полу-сходимости), чтобы не начать приближаться к шуму вместо истинного решения. Большая благодарность Руслану за проделанную работу в составлении этого курса.
Прошёл курс по методу сопряжённых градиентов — в полном восторге. Материал, подача и визуализация на высоте. Автор здорово всё разобрал на примерах, а 3D-модель особенно порадовала: наглядно видно, как движется градиент, что такое невязка и почему сходимость достигается ровно за n шагов. Не ожидал, что такую сложную тему можно объяснить настолько прозрачно. Огромное спасибо за курс!
Мне очень понравился этот курс. Из теории я узнал, как работает градиентный спуск, чем отличаются Batch Gradient Descent, Mini-batch Gradient Descent и Stochastic Gradient Descent, где и когда лучше их использовать, а также в чём принципиальная разница между итерационными и аналитическими методами. Помимо теории, было много практики, а в конце курса меня ждала объёмная домашняя работа, которая закрепила мои знания. Большое спасибо преподавателю за колоссальную проделанную работу и чёткую структуру обучения.
Изучила LU-разложение и разложение Холецкого. Есть задания на Python. Спасибо.
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.