Лекция 1. Введение в машинное обучение.

[@wardog5260]

Большое спасибо за лекцию. Не понимаю людей, которые недовольны подачей. Мне кажется, очень интересно

[@taygind]

Отличная лекция, все по полочкам, спасибо!

[@user-tm1hh2sg6i]

Лектор супер! Объясняет отлично, всё чётко и понятно!)

[@ДарьяКолесникова-т4г]

Как прекрасно все объясняете, огромное спасибо! Из множества роликов на ютубе и различных прикладных книжек впервые вижу так грамотно скомпонованный, иллюстративный и качественный материал! Спасибо вам!!!

[@ЕленаПозднякова-д4в]

Григорий, большое спасибо за лекцию! Очень интересно и полезно! Смотрела на одном дыхании, узнала много нового.

[@aleksandryan9469]

Отличный урок! Спасибо! Разделяй и Властвуй !, Именно это и модульность отличает машинное обучение от ИИ !

[@oanovitskij]

На х1.5 вообще отлично

[@kirikset]

Спасибо, это было хорошее повторение основ и введение!

[@Irades]

Обалденный лектор и лекция, спасибо ❤

[@olegafrikyan5859]

Замечательная лекция, большое спасибо! Смотрел от начала до конца, не отрываясь! Жду с нетерпением следующие лекции! Кому было непонятно - советую прочитать книжки "Грокаем машинное обучение" и "Грокаем глубокое обучение". В них простым языком объясняются основы, я сам с них начал.

[@muenchenplus]

хорошее введение с наглядным объяснением основных понятий

[@ЕленаЯкунова-б7с]

Очень интересно! Браво!

[@nikpere1020]

Спасибо большое . было интересно и хорошая манера подачи и объяснения

[@АлевтинаБалабанова-е7ц]

01:05:20 - небольшая ошибка (но важная). Переобучение модели, это когда на тренировочной выборке модель демонстрирует высокое качество, а на тестовой - низкое. В целом лекция понравилась. Не хватило немного конкретики на KNN, раз уж мы всю дорогу его обсуждаем, поэтому догуглила. А так целью лекции является создать поверхностную целостную картинку о МО. Не знаю, чего ждали расстроенные комментаторы за один час первой по сути лекции по МО.

[@sstartsev]

Отличная лекция. Спасибо.

[@Katanych]

Оценка состояния дома на 18:15 - я так понимаю, лектор имел ввиду, что это порядковый признак. Раз сказал, что есть "отношение порядка".

[@proVR_ua]

Удачи лектору, есть куда стремиться в подаче материала))

[@sergeyvolnov8332]

А я правильно понимаю, что после того как мы сделали кросс-валидацию и узнали точность на каждом фолде, мы обучаем модель на всем датасете?

[@Anonymous00754]

о на час 06 картиночка из сайкетлерна ) ждал все когда ж она будет)

[@alexanderskusnov5119]

sepal это чашелистик (листочек под бутоном, цветком)

[@ArtyomBoyko]

Хорошая лекция и звуковая дорожка! Спасибо. А что у вас за микрофон Григорий?

[@gameigor1880]

Супер

[@iv956]

"Если вы не до конца поймёте что я сейчас говорю, то не расстраивайтесь потом вы поймёте..." - ремарочка от лектора! Сложно воспринимается информация. Если бы не проходил до этого какие-либо курсы - вообще ничего не понял бы по части нейронок. Периодически меня посещала мысль-вопрос - "Почему он так объясняет? Почему так непонятно..." Просто например, на той же специализации от МФТИ на coursera всё по полочкам в голове разложили, а тут "мои полочки" немного поёжились. Примеры скомканные. Всё написанное - сугубо личное мнение, обсуждения не требует.

[@juniorly3942]

44:30 Эмпирический риск(лосс)

[@JohnLee-bo9ft]

Я не совсем понял, множество тета большое является эквивалентным множеству вещественных чисел в степени 2? R - означает множество вещественных чисел в данном контексте?

[@JohnLee-bo9ft]

Отвечаю на свой вопрос, может кому-нибудь пригодится: Это означает, что каждый параметр θ представляет собой пару вещественных чисел, где a и b могут принимать любое значение из множества вещественных чисел R. Таким образом, множество всех возможных параметров Θ представляет собой всю двумерную вещественную плоскость. P.S - θ в данном случае является парой чисел (a,b), и указывает, что множество возможных значений параметра Θ равно R^2

[@fabio_kind5314]

1:03:37 модели, конечно

[@alexanderskusnov5119]

Не бывает домов в 5 метрах от метро (ни одной точки). От силы один в 50.

[@ventilyator]

мне кажется, постоянно висящая бошка лектора, частично перекрывающая картинку презентации - лишнее мы же сюда не на лектора пофапать пришли

[@Ca1vema]

Подходит для того чтобы закрепить то что уже знаешь. На введение не тянет. Если кто действительно хочет понятное введение - читайте книгу от автора Тарик Рашид. Создаем нейронную сеть. Там все на пальцах и предельно понятно.

[@Anonymous00754]

ага понятно почему рекомендации такие хреновые ))) потому что там КНН ))))

[@Trepetsky]

Что такое фича?

[@AliceDruzh]

Функция, прикольная примочка

[@Trepetsky]

@@AliceDruzh спасибо, это значение знаю, но оно как-то не очень подходит в данном случае. 9:35 Определение обучающего датасета.

[@ahillez]

Характеристика, признак.

[@aleksandrsmurov5135]

feature - признак, банально название столбика, характеризующего что-то, типа в датасете cars например horse_powers :)

[@aleksandrsmurov5135]

на 10:30

[@МаксимСС-п1ж]

Ужасная лекция, ни одна мысль не доведена до логического завершения. Все понятия лекции приходится самостоятельно гуглить и изучать в доп материалах. Лекция пригодна лишь для тех кто уже знает тему ML

[@ИероглифСтёршийся]

X-train возит X-man'ов ГЫ. Жалко что научный термин множество уходит из умов академической молодёжи. Ну впринципе "сет" - конечно короче и есть такое слово (просто с другим смыслом), но "data" - по мне всех только путает. Ну скажи "сет весов", "сет метрик"; а вот "куча данных" или "набор метрик" кстати по-моему будет правильнее, т.к. "set" во разрезе программирования это упорядоченное множество без дубликатов, а тут у нас неупорядоченное множество. Более того это вообще де-ассоциативная информация, если можно так сказать. Вы даёте новый материал, да ещё и вводите новые слова - для мозга это перебор, да и просто это не полная информация. Перебор потомучто И новые слова И модель (ну или тема) -- что-то да ускользнёт. Не полная информация - потомучто нет четких определений слов новых. Для человека который английского не знает, слово "fold" вообще ничего не значит, а в вашем видео определение (ЧЕТКОЕ ОПРЕДЕЛЕНИЕ) этого термина отсутствует, вы вскользь упоминаете его. А без четких определений не будет понимания материала. Ну можно же сказать конкретно и понятно. У нас есть два множества наборов метрик: тестовое и обучающее; разделили множества наборов на срезы. Каждый срез содержит по одному уникальному тестовому набору и уникальное множество обучающих наборов. И тут картинку покажите - только если на ней будут не "фольды" и "сплиты" а "наборы" и "срезы", это будет сразу понятно, а у вас какая-то китайская грамота.

[@momybiz]

Что за не уважение к аудитории? Заголовки на английском, произносит на английском, при этом не может перевести признак из датасета по ирису. Видео лектора перекрывает картинки. Презентация не вычитана: "Ой, у меня квадрат потерялся". Позор!

[@landlord3863]

че

[@vladislavleonov2682]

что такое датасет? это что-то по-английски?

[@ertargn]

@@vladislavleonov2682 данные в виде таблицы, как в exel

[@sstartsev]

Да не. Всё прекрасно. Надо посмотреть всю лекцию, тогда отпадёт начальный негатив. Сначала было перекрытие, вроде больше и не было. Фича = атрибут, тоже сказали. А английский - ну если вся передовая литература на английском, то тут уж никуда не денешься... Парень молодцом целый час говорил.

[@vadimgor999]

@@sstartsev говорил да, только толку от этого 0. Узнать можно только про что нужно почитать / посмотреть другие лекции. Хвалебные отзывы так понимаю пишут сокурсники )

[@alexeytsar]

Отличная лекция! Спасибо