Город МОСКОВСКИЙ
00:12:57

#6. Решение простой задачи бинарной классификации | Машинное обучение

Аватар
SelfEdu - мир знаний с Сергеем Балакиревым
Просмотры:
1 572
Дата загрузки:
03.09.2024 09:41
Длительность:
00:12:57
Категория:
Обучение

Описание

Практический курс по ML на Stepik: https://stepik.org/course/209247/

Пример решения задачи классификации (обучения модели) на два класса: божьих коровок и гусениц. Понятия нотации (скобок) Айверсона и отступа (margin). Пример реализации обучения на языке Python.

Инфо-сайт: https://proproprogs.ru/ml
Телеграм-канал: https://t.me/machine_learning_selfedu

machine_learning_6.py: https://github.com/selfedu-rus/machine_learning

Рекомендуемые видео

#7. Функции потерь в задачах линейной бинарной классификации | Машинное обучение
#7. Функции потерь в задачах линейной бинарной классификации | Машинное обучение
1 313 просмотров
#5. Уравнение гиперплоскости в задачах бинарной классификации | Машинное обучение
#5. Уравнение гиперплоскости в задачах бинарной классификации | Машинное обучение
1 357 просмотров
#4. Способы оценивания степени переобучения моделей | Машинное обучение
#4. Способы оценивания степени переобучения моделей | Машинное обучение
1 241 просмотров
#9. Пример использования SGD при бинарной классификации образов | Машинное обучение
#9. Пример использования SGD при бинарной классификации образов | Машинное обучение
893 просмотров
#8. Стохастический градиентный спуск SGD и алгоритм SAG | Машинное обучение
#8. Стохастический градиентный спуск SGD и алгоритм SAG | Машинное обучение
1 479 просмотров
#11. L2-регуляризатор. Математическое обоснование и пример работы | Машинное обучение
#11. L2-регуляризатор. Математическое обоснование и пример работы | Машинное обучение
819 просмотров
#1. Структура и принцип работы полносвязных нейронных сетей | Нейросети на PyTorch
#1. Структура и принцип работы полносвязных нейронных сетей | Нейросети на PyTorch
3 460 просмотров
#12. L1-регуляризатор. Отличия между L1- и L2-регуляризаторами | Машинное обучение
#12. L1-регуляризатор. Отличия между L1- и L2-регуляризаторами | Машинное обучение
592 просмотров
ЦОС Python #2: Метод градиентного спуска
ЦОС Python #2: Метод градиентного спуска
1 418 просмотров
#3. Линейная модель. Понятие переобучения | Машинное обучение
#3. Линейная модель. Понятие переобучения | Машинное обучение
1 781 просмотров
#2. Постановка задачи машинного обучения | Машинное обучение
#2. Постановка задачи машинного обучения | Машинное обучение
2 796 просмотров
#2. Основные типы данных. Создание массивов функцией array() | NumPy уроки
#2. Основные типы данных. Создание массивов функцией array() | NumPy уроки
1 461 просмотров
#1. Что такое машинное обучение? Обучающая выборка и признаковое пространство | Машинное обучение
#1. Что такое машинное обучение? Обучающая выборка и признаковое пространство | Машинное обучение
3 568 просмотров
Персептрон - возможности классификации образов, задача XOR | #2 нейросети на Python
Персептрон - возможности классификации образов, задача XOR | #2 нейросети на Python
2 610 просмотров
#10. Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam, Nadam | Машинное обучение
#10. Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam, Nadam | Машинное обучение
782 просмотров
Структура и принцип работы полносвязных нейронных сетей | #1 нейросети на Python
Структура и принцип работы полносвязных нейронных сетей | #1 нейросети на Python
5 926 просмотров
#11. Идея обучения НС градиентным алгоритмом | Нейросети на PyTorch
#11. Идея обучения НС градиентным алгоритмом | Нейросети на PyTorch
1 181 просмотров
Back propagation - алгоритм обучения по методу обратного распространения | #3 нейросети на Python
Back propagation - алгоритм обучения по методу обратного распространения | #3 нейросети на Python
2 436 просмотров
#6. Функции print() и input(). Преобразование строк в числа int() и float() | Python для начинающих
#6. Функции print() и input(). Преобразование строк в числа int() и float() | Python для начинающих
3 657 просмотров