Машинное обучение: градиентный спуск для новичков с практикой в Python 

мужик, возвращайся скорее! классный контент делаешь, не бросай канал

Крутой канал, жалко, что последнее видео так давно выложено. Возвращайся, не бросай! Полезное дело делаешь 👏

Мен, офигенное видео, спасибо большое. Делай ещё !!!

Удивительно, что так мало лайков. Очень рада, что попала на твой канал ❤

Спасибо тебе! Я как раз тот человек, который начинает изучать Data Science и ищет понятные ролики для новичков. Похоже, я поселюсь у тебя на канале. Жаль только что роликов мало

ну вот как только находишь что то понятное человек бросает канал здоровья тебе надеюсь все хорошо у тебя)) спасибо за те ролики что сделал

Классно! Здорово, что наглядно показываешь подробно)

Очень круто получается, главное не останавливайся!!!

думаю что это лучшее объяснение темы производных. Этот видос нужно показывать детям в школе чтобы они понимали для чего это нужно и как это можно применить

Ты классно объясняешь! Спасибо!

Молодец, но думаю непонятно пояснил. Линейную регрессию тут зря преплел. Наша цель найти минимум ф-ции, в общем случае многих, очень многих переменных. Но тут для примера берём 1параметр, т.е. у(х). Как это сделать? Например такой алгоритм(не градиентный спуск): мы тыкаем в любую точку графика, и смотрим соседние точки, они меньше нашей или нет. Если меньше, то переходим в них и там повторяем все сначала. И так пока не окажемся в точке меньше своих соседе, т.е. минимуме. В чем проблема этого алгоритма? Он привязан к точкам, т.е. встать между точками мы не можем. Ещё если точек оч много, то заходить в каждую точку это будет долго. Хотелось бы например, если мы далеко от минимума, то двигаться через точку или две, а ближе к минимуму уменьшать шаг. Вот тут нам и приходит алгоритм градиентный спуск из этого ролика, он решает эти проблемы. Мы тыкаем в точку графика и смотрим там производную. Ее модуль показывает как сильно наклонена кривая в этой точке. Если модуль производной большой, то наклон сильный, это значит мы далеко до минимума и шаг можно брать побольше, если слабо наклонена, то около минимума и шаг нужно брать поменьше. Т.е. размер шага зависит от модуля производной. А знак производной показывает в какую сторону двигаться. Т.е. если производная >0, то нужно отнять от х шажочек,

Отлично объясняешь!👍

Блин, очень классно. Начал изучать Python, ранее работал в RGui, занимаюсь анализом экологических данных. Думаю сейчас расширять знания языка python, чтобы в дальнейшем пользоваться именно им, так как написание кода гораздо проще и графики красочнее. Рад, что наткнулся на твой канал, доступно объясняешь и без воды. Спасибо)

Как я рада, что наткнулась на твой канал! Спасибо, очень доступно все объясняешь, за одно видео закрыл кучу вопросов, которые пытаюсь уже неделю разобрать :)

Просто и понятно, класс

Ты красавчик, быстро и доступно всё объясняешь. Самое главное, что не боишься того, что ты и сам не эксперт в области, тем не менее реально всё очень круто доносишь. Респектуха и успехов тебе!

Спасибо тебе, человек!!!

Спасибо, благодаря тебе получила автомат по ии))

спасибо за труды

Красавчик, спасибо реально

Крутой видос, молодец! Только закрывай окно при записи, самолёты очень шумные :)

Привет, можешь подсказать, где ты брал данные для видео про линейную регрессию

14:32, вместо размера шага надо было изменить количество циклов, у него там 20 повторений ( range 20 ), если бы было больше повторений, то оно дошло бы c шагом 0.01

СПАСИБО ТЕБЕ!!

Доброе, будет видео про случайный лес и про обучение с подкреплением?

Пожалуйста ответьте на мой вопрос . Вы снимаете на макбуке видео???Какпя модель вашего мака и диагональ экрана

Продолжай !!!

Спасибо ❤

Ну ты и молодец!!!!

Привет, расскажи как выстроить линейную регрессию ,используя только numpy , с градиентным спуском , с нуля. без sklearn.

Где видосы, Сеня? P.s. очень полезные ролики для начинающих ml- инженеров, всем советую смотреть и пересматривать

Лучший

молодец,но казалось бы причём тут линейная регрессия, можно было объяснить на примере весов и ошибки(функции потерь), в названии ролика ведь Машинное обученение

А есть теория для градиентного спуска и стохастического градиентного спуска?

Не могу понять в чем математически смысл изменения аргумента функции (-8) на величину производной при таком аргументе (-16) или его части (0,1 * (-16)). Почему надо делать именно такое изменение? Понятно, что это сдвигает аргумент в нужную сторону, постепенно уменьшая или увеличивая его, но почему именно так, в чем его смысл? Это как из расстояния вычесть скорость. Правильно ли я понимаю, что 0,01 можно рассматривать как время?

Выпусти разбор уже математический переделы производные интегралы формулы с суммой среднее квадратичное дисперсия и тд

Жаль канал не обновляется, но спасибо!

ЛАЙК

Пацан красава , где ты ??? Появись мы тебе канал поднимем , задонатим

возьми меня в ученики)))

когда новое видео?

Братишь откуда ты такой умный:) мне 34 года, толькотпогружаюсь в машинное обучение, так круто объясняешь, конечно опущено много математических подробностей, но это не мешает доступности и понятности видоса, красава

То что знаю - понял. То что не знаю - не понял.

Не понял при чем тут линейная регрессия для чего вообще было затронуто это понятие?

А разве условия остановки кроме количества эпох у градиентного спуска нет?

КУДА ПРОПАЛ?!!!!!!

для чего корчить лицо на обложке к видео? как по мне это лишнее

зашёл на канал,посмотрел название, и нихуя не понял про что ты расказываешь,лишь одно видео смог посмотреть который про 3 приложения и заработок на них.

Люди, которые пишут, что все поняли, вы что вообще поняли???? Вы точно что-то поняли??? Что он обьяснил, кроме постоянного мычания??? Для того, чтоб понять, что он говорит, надо понимать предмет разговора лучше, чем он сам.