Линейная регрессия. Что спросят на собеседовании? ч.1

[@8Masturbek228]

Достойное видео. Очень крутая визуализация и несложные объяснения

[@артемГорбаренко-ц4ш]

Отдельное спасибо за раздел про регуляризацию, все ни как не мог понять самостоятельно что значат эти графики. Обязательно продолжайте!

[@ДаниилКраев-я7ч]

Продолжай, очень классно все обьяснил, хочется больше видеть именно эту рубрику! Она очень полезна новичкам

[@DN-qj8db]

Спасибо за ваш огромный вклад в человечество

[@user_nobody_nowhere]

Отличное видео! Всё самое важное в такую небольшую продолжительность. вау!

[@ISockol]

Спасибо огромное, наконец-то осознал домашку ))) 3 дня мучился, разные ролики смотрел🎉

[@АлексейСорокин-л2е]

Чтобы воспроизвести бОльшую глубину этого урока, нужно пересмотреть этот ролик ещё раз и прочитать этот комментарий.

[@Igor-sp7tw]

Не ну лайк, подписка, контент полезный и редкий

[@osvab000]

Круто, очень просто, быстро и доступно. А то смотришь других часами и уже под конец забыл с чего все начиналось!

[@АлександрЛебедев-ы1э8б]

Круто! Спасибо за подробные объяснения вещей, которые зачастую просто называют, не объясняя сути

[@pm6778]

Спасибо за видео, хорошо рассказываете, правда я ничего не понял, но это только потому что я неуч.

[@ИгорьИгорь-к3ы1р]

Круто, спасибо ! Очень напоминает CV, Yolo, нейросети )

[@brotherofken]

Привет. Спасибо за видео. Очень поверхностное изложение. Глубоко понять линрег из этого видео будет сложно, хотя ощущение понимания появится. Если цель была сделать покрывающий тему материал, то имхо удалось не до конца. Замечания: 1. Не ответили почему на самом необходимо предобработка с точки зрения оптимизации. 2. Не показан статический смысл регуляризации. 3. На линейную регрессию можно посмотреть как на ортогональную проекцию, что тоже интересно 4. Не показан подход с точки зрения максимизации правдоподобия. 5. Регуляризация в рамках MAP. То есть могли бы противопоставить MAP/MLE. ИМХО материал для новичков должен быть максимально разносторонним. Если проводите собеседования на таком уровне, то крайне высок риск нанять слабых кандидатов. Успехов в дальнейшем развитии канала и будущих выпусках. Рад буду подискутировать.

[@start_ds]

Привет. Спасибо большое за конструктивную обратную связь. Как появится время - запишу тизер, который будет описывать миссию канала и цель цикла видео. Станет понятнее, думаю. Если кратко, то 1. Материал ориентирован в первую очередь на стажёров-джунов 2. Он показывает какие вообще разделы на собеседовании могут затронуть и в какую сторону стоит копать. То есть, к примеру, разговор про аналитическое решение может начаться аналогично вопросу из ролика, а вот куда он пойдёт дальше - уже воля собеседующего. Цель всего этого - сделать пак материалов, который позволил бы пробежаться по самым базовым моментам вечером перед собесом. Естественно, можно было бы сделать видео на час с более подробным разбором всех основных моментов, но это уже про преследование чуточку других целей. Но вполне возможно, что в скором времени сделаю продвинутую версию этого видео, туда вполне возможно включу вопросы, которые вы описали

[@VasArkady]

Очень сомнительный подход, настолько сильно углубляться в алгоритм, который в большинстве задач не является оптимальным с точки зрения качества регрессии

[@taburet9]

Очень круто! Я туповат, но здесь настолько всё по полочкам разложено, что почти всё понял! Спасибо огромное!

[@VanyaQA]

В поддержку канала!

[@dmitryunanyants6007]

Молодец автор, очень круто!

[@ТимурГаджиев-ч8й]

7:30 Почему определитель стремиться к нулю если присутствует мультиколлинеарность? Почему если есть функц завис между признаками, то определитель равен 0? 9:40 как получилось построить 2 регрессии с разными параметрами? Разве они(парам) не находятся одним способом- по методу МНК? 12:04 Что такое s(lambda) Это лучшее видео на эту тему из тех, что я видел. Спасибо.

[@АндрейСавчук-о7ж]

1. Мультиколлинеарность = линейно зависимые столбцы (или строки): определитель такой матрицы равен нулю (см. соотв. раздел линейной алгебры). Не всегда если есть функциональная зависимость между признаками то определитель равен нулю (например определитель Вандермонда), но он равен всегда нулю если есть линейная зависимость. 2. Находятся по МНК и еще другими способами, просто там во второй регрессии признак x1 не масштабирован - имеет слишком малые значения, поэтому параметр w1 очень большой. 3. Это каноническое уравнение кривой 2 - го порядка (для многомерного пространства будет квадратичная поверхность) в данном случае окружности (для многомерного пространства будет эллипсоид соответственно), где s(lambda) = C/lambda -> (lambda/C)**0.5 это максимальный радиус окружности, C = const.

[@Digr1979]

Спасибо тебе, добрый человек.

[@ВладиславДмитриевичКорчуганов]

Здорово! Спасибо, прикольно было бы еще текст к видео сделать, иногда в виде текста полезно глянуть после видео.

[@Stesigerl]

просто оптимальный, не может быть наиболее или наименее оптимальный. Оптимум - он один!

[@evgenyorekhov8867]

В 12:20 точно линии градиента? Мы же по сути решаем систему ||Y - Xw||^2 -> min, ||w||^2

[@ИероглифСтёршийся]

Ребята, не слушайте его, он вас только запутает! 01:24 - это называется не НАБОР а МНОЖЕСТВО. "Множество пар" - ты математику то подучи чтоле... 03:38 - столюбцы ЧЕГО? Ты про что и где столбцы не говорил ещё? - Есть какое-то видео где про столбцы и заборчики рассказываешь - давай ссыль. 03:56 - что-то нигде в математике мне не говорили, что такое '"подход скелер" или "метод скелер", а я технический вуз закончил на отлично -- ты тоже не говорил пока. Ты с какой орбиты ведешь трансляцию, бро? 04:36 - так скелер это такой прибор (ну типа линейки). "инициализтировать скелер" это как? - Из коробки достать чтоле? Как это запоминать мне параметры? Параметры чего? Выборке чего? Train - а поезд тут причём? - Трава дорогая? 04:44 - ой там какой-то код програмный, ну конечно я должен догадаться какой, все же так умеют. Ну вангую что это Py. 06:19 - "Раскрыть значение этого функционала" - воспаде это на футболку печатать. Родной мой, тебя бросает то в математику, то в программирование, то в простые какие-то вещи, то в уродливые химеры из терминов которые твоя голова генерирует - А В ГОЛОВЕ У ТЕБЯ КАША! Я не говорю что материал ты НЕ знаешь, т.к. даже с такой кашей, ты можешь всё внутри себя как-то понимать, но матерь божья тебя огороди от необходимости что-то объяснять. Чтоб объяснить как сварить суп, надо понимать что такое кастрюля - без этого никак.

[@YuriSokolov-w8m]

Спасибо, я из Добрянки, пытаюсь понять что то, мои извилины не воспринимают данный контент. ПОКА!!! Имею ввиду скоро буду понимать, 100 пудова без вариков ваще

[@СергейДоржиев-н2о]

Лайк однозначно

[@ealbitg1043]

Почему при вычислении производной в первом уравнении Xw стало X^T? На 6:26

[@dgurina]

Скажите, пожалуйста, что значит Scaler? Это слово вдруг появилось и без всяких пояснений.

[@evolutlut2587]

Дисклеймер: данное видео о том, как убить свою самооценку за 14 мин😂

[@start_ds]

Почему?)

[@Илья-г2н7ф]

Спасибо!

[@artyomkarlashov1845]

Кажется, что для того чтобы понять о чем тут - необходимо повторить всю школьную алгебру (и скорее всего не только). Много неизвестных понятий . Требуется серьёзная подготовка ....

[@AlexanderIgityan]

Отмечу, что линейную регрессию называют линейной именно из-за линейной комбинации базисных функций - это не связано с самыми базисными функциями (они могут быть линейными или нет).

[@fr9g_cbl4]

Спасибо автору за ролик! Я человек со стороны так сказать и сейчас только думаю начать изучать всё, что необходимо для этой профессии. В связи с этим возникает вопрос, неужели всё вышеперечисленное действительно спрашивают на собеседовании на джуна? Какая в этом практическая составляющая?

[@НикитаСергеич-з2г]

Нужно понимать, как работают алгоритмы, которые применяешь. Тогда можно получать более хороший результат, так как знаешь, что можно подкрутить

[@СергейЕгоров-ж2т]

Ещё бы понять как все эти признаки складывать а то вообще непонятно

[@ОлегВоропаев-к6ъ]

Скажите, Python может самостоятельно определять тип зависимостей или мы сами должны ему сказать, какой это тип зависимостей? и может ли он сам определять критерии перехода от одной зависимости к другой?

[@Igor-sp7tw]

Рома а у вас команда Магнит где расположена в Москве или в Краснодаре?

[@start_ds]

Не особо относится к видео, лучше по таким вопросам писать в tg. Кратко - расположена везде. Договор спокойно оформляется на удалённую работу. У меня в команде есть сильные ребята из разных городов. Офисы есть и в Краснодаре, и в Москве (на Белой площади и Тверской)

[@Stesigerl]

Лучше написать квадрат нормы: |Xw-y|^2, а не (Xw-y)^2.

[@sofesun6747]

🔥

[@СергійКот-э7ф]

Видео понравилось, но ни хуя не понятно !

[@d90021]

нихуя не понял

[@ЕвгенийСитников-ц4з]

Очень интересно но ничего не понятно:-(