Fire Dragon
"ProMax" GOLD
Автор: Stepik, Сергей Спирёв
Название: Машинное обучение: Метрики качества классификации и регрессии (2025)
Описание:
Одним из основных требований к датасаентисту является – хорошее знание метрик качества оценки моделей машинного обучения. Обучить модель и сделать предсказания – это важный момент, но не менее важным является способность правильно оценить качество этих предсказаний, используя именно те метрики оценки, которые наиболее точно соответствуют вашим данным и целям конкретной задачи. В курсе рассмотрены метрики качества для задач классификации и регрессии с использованием библиотеки Scikit-learn.
О курсе
Когда я только начинал свой путь в изучении машинного обучения, тема метрик качества была для меня какой-то «головоломной». Вроде бы и нет в ней какого-то совсем уж сложного математического аппарата, но когда в неё углубляешься, то в голове каша и винегрет из понятий, формул, терминов. А когда её ещё и преподносят в академической форме, то тут уж совсем тоска зелёная.
Но тема метрик качества является одной из основополагающих в машинном обучении. Это фундамент, на котором строится всё машинное обучение с точки зрения применимости и полезности моделей на практике. И хорошо разбираться в этом вопросе – это важный момент.
Как понять, ваша модель «умная» или «глупая»? Понять это можно, только посмотрев на её ошибки и оценки качества. Хорошо, посмотрели на оценки качества – результат получился супер. Отлично! Но подходит ли та метрика качества, которую вы применили к вашей модели, или она не учитывает важные особенности ваших данных?
На эти вопросы специалист по машинному обучению должен уметь отвечать.
Скажу также, что по своей натуре я не являюсь теоретиком. Я предпочитаю, когда теория соединяется с практикой. Через практику я могу понять больше, чем из сухих формул.
Этот же подход я применяю в подготовке обучающего материала. Я не теоретизирую много, стараюсь не углубляться туда, куда не нужно углубляться с точки зрения здравого смысла и практической применимости. А также пытаюсь сложные понятия перевести на простой человеческий язык.
Материала, предоставленного в курсе будет достаточно, чтобы приобрести надёжную базу, на которую впоследствии вы можете наслаивать новые знания в такой интересной области, какой является машинное обучение.
Для кого этот курс
Курс для тех, кто уже делает первые шаги в изучении машинного обучения, но желает глубже изучить вопросы оценки качества моделей с использованием инструментов библиотеки Scikit-learn.
Наши преподаватели. Сергей Спирёв. Имею двадцатилетний опыт работы в банковской, страховой и лизинговой сферах, где занимался финансовым анализом, моделированием, управлением активами.
Анализирую инструменты фондового рынка с 2008 года. Имею большой профессиональный опыт работы с операциями на биржевом и внебиржевом рынках с ценными бумагами, валютами, драгоценными металлами, операциями РЕПО, своп, межбанковским кредитованием.
Скачать
Название: Машинное обучение: Метрики качества классификации и регрессии (2025)
Описание:
Одним из основных требований к датасаентисту является – хорошее знание метрик качества оценки моделей машинного обучения. Обучить модель и сделать предсказания – это важный момент, но не менее важным является способность правильно оценить качество этих предсказаний, используя именно те метрики оценки, которые наиболее точно соответствуют вашим данным и целям конкретной задачи. В курсе рассмотрены метрики качества для задач классификации и регрессии с использованием библиотеки Scikit-learn.
О курсе
Когда я только начинал свой путь в изучении машинного обучения, тема метрик качества была для меня какой-то «головоломной». Вроде бы и нет в ней какого-то совсем уж сложного математического аппарата, но когда в неё углубляешься, то в голове каша и винегрет из понятий, формул, терминов. А когда её ещё и преподносят в академической форме, то тут уж совсем тоска зелёная.
Но тема метрик качества является одной из основополагающих в машинном обучении. Это фундамент, на котором строится всё машинное обучение с точки зрения применимости и полезности моделей на практике. И хорошо разбираться в этом вопросе – это важный момент.
Как понять, ваша модель «умная» или «глупая»? Понять это можно, только посмотрев на её ошибки и оценки качества. Хорошо, посмотрели на оценки качества – результат получился супер. Отлично! Но подходит ли та метрика качества, которую вы применили к вашей модели, или она не учитывает важные особенности ваших данных?
На эти вопросы специалист по машинному обучению должен уметь отвечать.
Скажу также, что по своей натуре я не являюсь теоретиком. Я предпочитаю, когда теория соединяется с практикой. Через практику я могу понять больше, чем из сухих формул.
Этот же подход я применяю в подготовке обучающего материала. Я не теоретизирую много, стараюсь не углубляться туда, куда не нужно углубляться с точки зрения здравого смысла и практической применимости. А также пытаюсь сложные понятия перевести на простой человеческий язык.
Материала, предоставленного в курсе будет достаточно, чтобы приобрести надёжную базу, на которую впоследствии вы можете наслаивать новые знания в такой интересной области, какой является машинное обучение.
Для кого этот курс
Курс для тех, кто уже делает первые шаги в изучении машинного обучения, но желает глубже изучить вопросы оценки качества моделей с использованием инструментов библиотеки Scikit-learn.
Наши преподаватели. Сергей Спирёв. Имею двадцатилетний опыт работы в банковской, страховой и лизинговой сферах, где занимался финансовым анализом, моделированием, управлением активами.
Анализирую инструменты фондового рынка с 2008 года. Имею большой профессиональный опыт работы с операциями на биржевом и внебиржевом рынках с ценными бумагами, валютами, драгоценными металлами, операциями РЕПО, своп, межбанковским кредитованием.
Скачать
📥 Скрытое содержимое! Войдите или Зарегистрируйтесь
