Линейные Модели: недооцененная классика #машинноеобучение #datascience

📐 Одна прямая против сложных алгоритмов, и иногда она оказывается эффективнее. 🔨 Разбираем линейные модели без предвзятостей, мифов и упрощений. 🧑🏫 Разберём на практике: - как линейные модели решают задачу классификации; - как работает многоклассовая логистическая регрессия (и почему она - регрессия); - в чём разница между Logistic Regression, SVM и персептроном; - Lasso - это только регуляризация или ... ?; - можно ли интерпретировать работу линейной модели? - может ли PCA-визуализация вводить в заблуждение? 🌸 На классических датасетах (Iris, рукописные цифры) покажем: - как модель делит пространство признаков; - как выглядят decision boundaries; - где линейная модель работает отлично; ...и когда стоит выбирать градиентный бустинг (XGBoost) вместо неё. 🎬 Это видео будет полезно, если вы изучаете: 🤖 машинное обучение с нуля; 🏓 работу с табличными данными; 📈 осваиваете Data Science; 🐍 пишете на Python и scikit-learn; ⚙️ выбираете алгоритмы классификации. Ключевые темы видео: логистическая регрессия, линейные модели, машинное обучение, классификация, sklearn, PCA, feature selection, lasso, SVM, decision boundary, data science, обучение моделей О чём важно помнить: Линейная модель — это не «простая версия чего-то сложного». Это отдельный класс методов со своими сильными и слабыми сторонами. Таймкоды: 00:00 - Вступление 01:54 - Принцип работы линейных моделей 03:45 - Линейная регрессия: технология обучения 07:49 - Регуляризация (Ridge-регуляризация) 10:40 - Полиномиальная регрессия линейной моделью 12:06 - Lasso-регуляризация 12:51 - Отбор признаков с помощью Lasso 14:46 - Логистическая регрессия 16:50 - Практика: определи пол по голосу говорящего 21:09 - Механизм Опорных Векторов (SVM) 22:45 - Данные без линейной разделимости, RBF-ядро SVM 25:40 - Практика: "качество микросхем" и кольца данных 28:21 - Нужна ли "сильная модель" или лучше "логистичкой"? 30:39 - Многоклассовая классификация линейной моделью 34:06 - Выводы #машинноеобучение #datascience #datascientist #logisticregression #svm #python #данные #анализданных