#linear_regression — Public Fediverse posts

/tmp кончился — пишем виджет для qtile с предсказанием по тренду

qtile — тайловый оконный менеджер для Linux, целиком написанный на Python. Конфиг — тоже Python, с asyncio, доступом к procfs и вообще ко всему, что есть в системе. Я сижу на qtile уже почти 15 лет с одним и тем же конфигом, который потихоньку допиливаю, и что мне в нём нравится: панель оконного менеджера — удобное место для визуализации метрик, собранных из произвольных Python-скриптов.

https://habr.com/ru/articles/1014886/

#qtile #python #linux #disk_space #monitoring #linear_regression #wayland #tiling_wm #виджет #мониторинг_дисков

/tmp кончился — пишем виджет для qtile с предсказанием по тренду

qtile — тайловый оконный менеджер для Linux, целиком написанный на Python. Конфиг — тоже Python, с asyncio, доступом к procfs и вообще ко всему, что есть в системе. Я сижу на qtile уже почти 15 лет с одним и тем же конфигом, который потихоньку допиливаю, и что мне в нём нравится: панель оконного менеджера — удобное место для визуализации метрик, собранных из произвольных Python-скриптов.

https://habr.com/ru/articles/1014886/

#qtile #python #linux #disk_space #monitoring #linear_regression #wayland #tiling_wm #виджет #мониторинг_дисков

/tmp кончился — пишем виджет для qtile с предсказанием по тренду

qtile — тайловый оконный менеджер для Linux, целиком написанный на Python. Конфиг — тоже Python, с asyncio, доступом к procfs и вообще ко всему, что есть в системе. Я сижу на qtile уже почти 15 лет с одним и тем же конфигом, который потихоньку допиливаю, и что мне в нём нравится: панель оконного менеджера — удобное место для визуализации метрик, собранных из произвольных Python-скриптов.

https://habr.com/ru/articles/1014886/

#qtile #python #linux #disk_space #monitoring #linear_regression #wayland #tiling_wm #виджет #мониторинг_дисков

/tmp кончился — пишем виджет для qtile с предсказанием по тренду

qtile — тайловый оконный менеджер для Linux, целиком написанный на Python. Конфиг — тоже Python, с asyncio, доступом к procfs и вообще ко всему, что есть в системе. Я сижу на qtile уже почти 15 лет с одним и тем же конфигом, который потихоньку допиливаю, и что мне в нём нравится: панель оконного менеджера — удобное место для визуализации метрик, собранных из произвольных Python-скриптов.

https://habr.com/ru/articles/1014886/

#qtile #python #linux #disk_space #monitoring #linear_regression #wayland #tiling_wm #виджет #мониторинг_дисков

Как написать собственный класс линейной регрессии для маленьких

В этой статье показан простой способ создания собственного класса линейной регрессии с использованием стохастического градиентного спуска. Будет представлен легкий и понятный код с реализацией основных методов: fit, predict и score. Статья будет полезна тем, кто хочет вкратце разобраться, как работает класс LinearRegression из библиотеки sklearn. Также материал подходит для участников курса программирования "Школа 21".

https://habr.com/ru/articles/955520/

#ml #linear_regression

Как написать собственный класс линейной регрессии для маленьких

В этой статье показан простой способ создания собственного класса линейной регрессии с использованием стохастического градиентного спуска. Будет представлен легкий и понятный код с реализацией основных методов: fit, predict и score. Статья будет полезна тем, кто хочет вкратце разобраться, как работает класс LinearRegression из библиотеки sklearn. Также материал подходит для участников курса программирования "Школа 21".

https://habr.com/ru/articles/955520/

#ml #linear_regression

Как написать собственный класс линейной регрессии для маленьких

В этой статье показан простой способ создания собственного класса линейной регрессии с использованием стохастического градиентного спуска. Будет представлен легкий и понятный код с реализацией основных методов: fit, predict и score. Статья будет полезна тем, кто хочет вкратце разобраться, как работает класс LinearRegression из библиотеки sklearn. Также материал подходит для участников курса программирования "Школа 21".

https://habr.com/ru/articles/955520/

#ml #linear_regression

Как написать собственный класс линейной регрессии для маленьких

В этой статье показан простой способ создания собственного класса линейной регрессии с использованием стохастического градиентного спуска. Будет представлен легкий и понятный код с реализацией основных методов: fit, predict и score. Статья будет полезна тем, кто хочет вкратце разобраться, как работает класс LinearRegression из библиотеки sklearn. Также материал подходит для участников курса программирования "Школа 21".

https://habr.com/ru/articles/955520/

#ml #linear_regression

[Перевод] Линейная регрессия в ML для самых маленьких

В мире машинного обучения есть много всего интересного, но тем, кто только начинает свой путь в этой области часто бывает многое непонятно. В этой статье мы попробуем разобраться с линейной регрессией. Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Проще говоря, он помогает понять, как изменение одного или нескольких предикторов (независимых переменных) влияет на результат (зависимую переменную). Подумайте об этом, как о проведении прямой линии через диаграмму рассеяния точек данных, которая наилучшим образом отражает связь между этими точками.

https://habr.com/ru/companies/otus/articles/919258/

#ml #linear_regression #линейная_регрессия #обучение_модели #scikitlearn #python #data_science

[Перевод] Линейная регрессия в ML для самых маленьких

В мире машинного обучения есть много всего интересного, но тем, кто только начинает свой путь в этой области часто бывает многое непонятно. В этой статье мы попробуем разобраться с линейной регрессией. Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Проще говоря, он помогает понять, как изменение одного или нескольких предикторов (независимых переменных) влияет на результат (зависимую переменную). Подумайте об этом, как о проведении прямой линии через диаграмму рассеяния точек данных, которая наилучшим образом отражает связь между этими точками.

https://habr.com/ru/companies/otus/articles/919258/

#ml #linear_regression #линейная_регрессия #обучение_модели #scikitlearn #python #data_science

[Перевод] Линейная регрессия в ML для самых маленьких

В мире машинного обучения есть много всего интересного, но тем, кто только начинает свой путь в этой области часто бывает многое непонятно. В этой статье мы попробуем разобраться с линейной регрессией. Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Проще говоря, он помогает понять, как изменение одного или нескольких предикторов (независимых переменных) влияет на результат (зависимую переменную). Подумайте об этом, как о проведении прямой линии через диаграмму рассеяния точек данных, которая наилучшим образом отражает связь между этими точками.

https://habr.com/ru/companies/otus/articles/919258/

#ml #linear_regression #линейная_регрессия #обучение_модели #scikitlearn #python #data_science

[Перевод] Линейная регрессия в ML для самых маленьких

В мире машинного обучения есть много всего интересного, но тем, кто только начинает свой путь в этой области часто бывает многое непонятно. В этой статье мы попробуем разобраться с линейной регрессией. Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Проще говоря, он помогает понять, как изменение одного или нескольких предикторов (независимых переменных) влияет на результат (зависимую переменную). Подумайте об этом, как о проведении прямой линии через диаграмму рассеяния точек данных, которая наилучшим образом отражает связь между этими точками.

https://habr.com/ru/companies/otus/articles/919258/

#ml #linear_regression #линейная_регрессия #обучение_модели #scikitlearn #python #data_science

Как пакет с пакетами помог аналитику решить задачу для бизнеса, или keep calm and import statsmodels

Всем привет! Меня зовут Сабина, я лидер команды исследователей данных во ВкусВилле. Мы помогаем бизнесу принимать решения, ориентируясь в том числе на данные. Сегодня я расскажу об одном таком случае. Статья будет полезна аналитикам, которые хотят перестать беспокоиться и начать использовать линейную регрессию из питоновской библиотеки stasmodels.

https://habr.com/ru/companies/vkusvill/articles/851264/

#data_science #python #statsmodels #linear_regression #линейная_регрессия

Как пакет с пакетами помог аналитику решить задачу для бизнеса, или keep calm and import statsmodels

Всем привет! Меня зовут Сабина, я лидер команды исследователей данных во ВкусВилле. Мы помогаем бизнесу принимать решения, ориентируясь в том числе на данные. Сегодня я расскажу об одном таком случае. Статья будет полезна аналитикам, которые хотят перестать беспокоиться и начать использовать линейную регрессию из питоновской библиотеки stasmodels.

https://habr.com/ru/companies/vkusvill/articles/851264/

#data_science #python #statsmodels #linear_regression #линейная_регрессия

Как пакет с пакетами помог аналитику решить задачу для бизнеса, или keep calm and import statsmodels

Всем привет! Меня зовут Сабина, я лидер команды исследователей данных во ВкусВилле. Мы помогаем бизнесу принимать решения, ориентируясь в том числе на данные. Сегодня я расскажу об одном таком случае. Статья будет полезна аналитикам, которые хотят перестать беспокоиться и начать использовать линейную регрессию из питоновской библиотеки stasmodels.

https://habr.com/ru/companies/vkusvill/articles/851264/

#data_science #python #statsmodels #linear_regression #линейная_регрессия

Как пакет с пакетами помог аналитику решить задачу для бизнеса, или keep calm and import statsmodels

Всем привет! Меня зовут Сабина, я лидер команды исследователей данных во ВкусВилле. Мы помогаем бизнесу принимать решения, ориентируясь в том числе на данные. Сегодня я расскажу об одном таком случае. Статья будет полезна аналитикам, которые хотят перестать беспокоиться и начать использовать линейную регрессию из питоновской библиотеки stasmodels.

https://habr.com/ru/companies/vkusvill/articles/851264/

#data_science #python #statsmodels #linear_regression #линейная_регрессия

Линейная регрессия. Основная идея, модификации и реализация с нуля на Python

В машинном и глубоком обучении линейная регрессия занимает особое место, являясь не просто статистическим инструментом, но а также фундаментальным компонентом для многих более сложных концепций. В данной статье рассмотрен не только принцип работы линейной регрессии с реализацией с нуля на Python, но а также описаны её модификации и проведён небольшой сравнительный анализ основных методов регуляризации. Помимо этого, в конце указаны дополнительные источники для более глубокого ознакомления.

https://habr.com/ru/articles/804135/

#линейная_регрессия #linear_regression #polynomial #ridge #lasso #elasticnet #regularization #реализация_с_нуля #python #data_science

Типичные задачи аналитика. Часть 2. А есть ли тренд?

В первой части статьи на Habr мы рассмотрели классические подходы к оценке изменений метрики при условии ее стационарности. В этом контексте статистические критерии, применяемые в A/B тестировании , оказались весьма эффективными. Однако, если существует стабильный тренд, например, среднемесячная аудитория увеличивается из года в год, оценка разницы средних за два смежных периода времени может быть некорректной. В таком случае среднее значение предыдущего периода всегда будет отличаться от среднего постпериода, и это часто может быть не связано с исследуемым функционалом. Одна из причин — тренд не всегда зависит от действий компании и часто является следствием внешних условий. Например, рост аудитории может быть связан с увеличением благосостояния населения, масштабированием бизнеса или сезонными факторами. Таким образом, наличие или отсутствие тренда является важным аспектом анализа данных. Рассмотрим несколько успешных и неудачных подходов, которые можно применять для решения этой задачи.

https://habr.com/ru/articles/795251/

#big_data #bootstrap #аналитика #analytics #trends #mannkendall #linear_regression #spearman #rmr

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Типичные задачи аналитика. Часть 2. А есть ли тренд?

В первой части статьи на Habr мы рассмотрели классические подходы к оценке изменений метрики при условии ее стационарности. В этом контексте статистические критерии, применяемые в A/B тестировании , оказались весьма эффективными. Однако, если существует стабильный тренд, например, среднемесячная аудитория увеличивается из года в год, оценка разницы средних за два смежных периода времени может быть некорректной. В таком случае среднее значение предыдущего периода всегда будет отличаться от среднего постпериода, и это часто может быть не связано с исследуемым функционалом. Одна из причин — тренд не всегда зависит от действий компании и часто является следствием внешних условий. Например, рост аудитории может быть связан с увеличением благосостояния населения, масштабированием бизнеса или сезонными факторами. Таким образом, наличие или отсутствие тренда является важным аспектом анализа данных. Рассмотрим несколько успешных и неудачных подходов, которые можно применять для решения этой задачи.

https://habr.com/ru/articles/795251/

#big_data #bootstrap #аналитика #analytics #trends #mannkendall #linear_regression #spearman #rmr

Линейная регрессия. Основная идея, модификации и реализация с нуля на Python

В машинном и глубоком обучении линейная регрессия занимает особое место, являясь не просто статистическим инструментом, но а также фундаментальным компонентом для многих более сложных концепций. В данной статье рассмотрен не только принцип работы линейной регрессии с реализацией с нуля на Python, но а также описаны её модификации и проведён небольшой сравнительный анализ основных методов регуляризации. Помимо этого, в конце указаны дополнительные источники для более глубокого ознакомления.

https://habr.com/ru/articles/804135/

#линейная_регрессия #linear_regression #polynomial #ridge #lasso #elasticnet #regularization #реализация_с_нуля #python #data_science

Линейная регрессия. Основная идея, модификации и реализация с нуля на Python

В машинном и глубоком обучении линейная регрессия занимает особое место, являясь не просто статистическим инструментом, но а также фундаментальным компонентом для многих более сложных концепций. В данной статье рассмотрен не только принцип работы линейной регрессии с реализацией с нуля на Python, но а также описаны её модификации и проведён небольшой сравнительный анализ основных методов регуляризации. Помимо этого, в конце указаны дополнительные источники для более глубокого ознакомления.

https://habr.com/ru/articles/804135/

#линейная_регрессия #linear_regression #polynomial #ridge #lasso #elasticnet #regularization #реализация_с_нуля #python #data_science

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Как объяснить градиентный спуск вашей маме: простое руководство

Градиентный спуск лежит в основе большинства методов AI/ML. Звучит как-то странно и пугающе. Спуск? Блин, надеюсь, мне не придется прыгать с парашютом...😒 Не волнуйтесь, возможно, все же придется прыгнуть, но только если вы этого захотите. Это объяснение способен понять даже ваш 10-летний племянник. Представим, что вы пытаетесь освоить новый скилл. Допустим, вы живете в древнем племени, и ваша задача - определять вес людей по их росту. Весов еще не изобрели. Знаю, звучит нелепо, но для простоты предположим, что от этого зависит выживание племени. Итак, приходит один из ваших соплеменников и называет свой рост, а вы, опираясь на опыт, должны определить его вес, условно, в мешках с картошкой. Так вот, ваш соплеменник Андрей говорит - мой рост - 174 сантиметра. Отметим, что вам не очень нравится Андрей, поэтому вы называете вес в 100500 мешков картошки, и он убегает в слезах... 😂 Но на самом деле, по своему опыту, вы уверены, что этот парень, скорее всего, весит около 70 килограммов, или 7 мешков картошки (по 10 килограммов каждый). Откуда вы это знаете? Ну, вы встречали немало людей с таким же ростом и цветом кожи, как у Антона, так что вы полагаете, что это должно быть примерно так. Теперь мы хотим обучить систему, которая сможет это делать. Для этого нам нужно смоделировать предварительный опыт встречи с людьми разного роста и узнать их вес. Мы делаем это при помощи обучающих данных, которые выглядят следующим образом:

https://habr.com/ru/companies/raft/articles/783918/

#linear_regression #machinelearning #nubes #introduction #ai

Read our post about A Beginner's Guide to Linear Regression in Python with Scikit-Learn on Dev . to

https://dev.to/currencypig/a-beginners-guide-to-linear-regression-in-python-with-scikit-learn-1f2f

#python #machine_learning #ai #artificial_intelligence #scikit_learn #devto #linear_regression