Спасибо. Хорошее объяснение bootstrap.

По поводу случайностей и человеческого сознания. Известен эксперимент Майкла Газзанига. Экран, разделенный линией. На нем появляются вспышки света - над или под линией. Программа настроена так, что в 80% случаев вспышки возникают выше линии и только в 20% - ниже. Задача участников - предсказать, где появится следующая вспышка. И вот на сцену выходят испытуемые. Голуби, крысы и дети до 4 лет. Побеждают, с небольшим отрывом, крысы - угадывая в 80% случаев. Потому что все просто. Свет практически всегда появляется над линией - участники и выбирают вариант, который чаще всего случался в прошлом. Но это для крыс, голубей и детей просто. Ах да. В эксперименте ведь была еще одна группа участников - взрослые люди. Которые показали худший результат - 67% правильных ответов. Потому что они думали. Искали и строили ложные закономерности. Мы хотим жить в упорядоченном мире. Случайности нас пугают. Мозг человека автоматически настроен на поиск причины и следствия. На этом основаны практически все суеверия. Нам плевать на факты. Человек способен увязать вместе и убедить себя в чем угодно.

Очень похожа на прямое распространение ошибки

зачем музыка. слабый мужичок

Очень сильно запутался в этом видео. Предыдущие два были классными, а это плохое.

Отличные материал и подача! Объяснено все четко и по делу, спасибо. Единственное, было бы приятнее вас слушать, если бы звук писался в маломальский микрофон)

Там

Очень хорошо объясняете

Огромное вам спасибо!

А если в нейросети больше 1 скрытого слоя, то их веса обучать по формуле из 8:00 ?

Путанно

Посему в андройдах такая беда с беспроводно зарядкой, это же всего лишь катушку встроить, в айфоне со времен царя гороха

Посему в андройдах такая беда с беспроводно зарядкой, это же всего лишь катушку встроить, в айфоне со времен царя гороха

Да, большая частота обновления экрана очень отвлекает, согласен 😅

Я всё понял! Спасибо Вам

полезная информация, но очень плохой звук

Спасибо!

Не так много материалов про isolation forest :( Есть несколько кейсов , которыми мог бы поделиться😮😊

Благодарю вас, очень важная информация! Спасибо алгоритмам за такой ценный контент ❤

Эх, "молодость"... помнится, работал в "твц", - рабочие задачи полная хуйня для инфантильного идеалиста, - дак вот, в "свободное от работы время", быстро накодил базу (вроде двух - слойный перцептрон, "Фукушима" было на сдаче, специально не перепроверяю, дабы не казаться лицемерно выебнутым))) сетки, - БД для обучения (поле 10 на 10 пикселей в которое вводит "учитель", непосредственно "образ", с возможностью "рисовать" мышкой запросы, захотел тогда "разобраться "с циферками) и... сука, все заработало!.. для корректного обучения наплодил через эту вспомогательную утилиту кучу изображений из различного, нарочито гротескного и, своевременно, нормального множества изображений этих самых циферок (10Х10), потом в рандомизированном порядке загнал в НС на куче рандом - циклов и, вуаля!))).. С той поры остается некое недопонимание относительно влияния этой "божественной" меж - синаптической функции (констатнта бога, лол))) на корректность и релевантность ответов НС на свои (10Х10) запросы... реально, хоть до мозга костей и технарь, но это какая - то магия))... Спасибо огромное за такого рода просвещение, это необходимо!..

Спасибо. Очень полезное видео.

Спасибо за лекции.

Не понял про софтмакс - если функция активации находится в нейроне - как получается результат сразу со всеэ нейронов?

Не математик, первый раз слышу, но поняла, что именно так строятся биржевые графики за день, неделю и тд, и другие компьютерные индикаторы, спасибо

код пайтон выглядит так: def mse(y_true, y_pred): return (y_true - y_pred) ** 2

Hello let's trade

Очень круто и коротко и понятно, спасибо!!!!

Огонь, пойду закрывать пробелы в логарифиах😂

Спасибо вам! Просто и понятно.

Спасибо!

Было бы круто, если бы раскрыли еще тему экстраполяции для распределений. Очень интересна тема распределения Вейбула или Пирсона, как наиболее часто встречаемая в наблюдениях с временными данными. Спасибо

У вас так хорошо получается объяснять, не забрасывайте, пожалуйста

Случайно кликнул и прослушал целую длинную лекцию по XAI (Объяснимому ИИ). Очень советую! Получил массу практических идей для решения текущих прикладных задач.

Идеально! Плотность информации в единицу времени, подача, речь. Лектор топчик! Говорю как выпускник матшколы и МГУ, заставший еще академика Ильина В.А. в качестве лектора и экзаменатора ))

-Бог есть? - 50%

Благодарю вас!

Этапы ETL: 1:17 1. Получение данных 1:34 2. Очистка данных/заполнение пропусков 3:52 3. Объединение даных

0:24 первичный анализ данных

спасибо

4:43 5:38

2:49 ! 3:10 3:20 4:24 5:05 !

Причины недообучения (ошибок) 2:03: 0:32 0:44 0:55 1:08 3:10 Переобучение 6:36 Ансамбли моделей 9:40

2:34

3:20

1:00 1:40 2:05 3 основных аспекта подготовки данных 2:09 1. Нормирование данных 3:14 4:09 при наличии отрицательных чисел диапазон получается [-1; 1] и почему не использовали более простую формулу нормирования - x/max (тоже ведь все значения будут в пределах данного диапазона)? 4:37 z-нормализация 5:24 зачем нужно 6:23 2. Категориальные данные 6:30 Приведение к единичным векторам 8:28 8:42 3. Циклические параметры 9:27 Тригонометрические функции 11:38 12:35

2:01 типы распределений 3:30 3:50 4:38

2:10 типы данных

0:53 арифмет. прогрессия/геометр. прогрессия

Когда новый видео???

Здорово, понял на буквах объяснение, но на цифрах всегда полезно посмотреть