В этой лекции мы поймём основы основ машинного обучения - веса модели, гиперпараметры, функцию ошибки, градиентный спуск.
https://www.youtube.com/watch?v=omsETOFIwAI
https://slides.com/bogdansalyp/deck-3a88ae/fullscreen
Ссылка: https://slides.com/bogdansalyp/deck-3a88ae/fullscreen
https://colab.research.google.com/drive/1fNusMPMpF7k1Fz6UwG7TVj6YStZyiT9f?usp=sharing
Пора вливаться в сообщество датасаентистов! Зарегистрируйтесь на ods.ai (там сидят почти все русскоязычные датасаентисты на тематических досках + можно найти работу)Зарегистрируйтесь на Kaggle (настоящие соревнования для датасаентистов, ценятся всем сообществом и работадателями).
Найти Boston housing dataset (на Kaggle) и предсказать с помощью линейной регрессии цену дома по остальным параметрам с помощью sklearn. Делитесь MSE, которая у вас вышла в итоге. Можете попробовать другие модели для регрессии из коробки в sklearn + посмотреть, что такое r2 score или другие метрики для регрессии
Сделать на Numpy свою линейную регрессию с перемножением матриц (вы гораздо лучше поймёте Numpy и линал под капотом алгоритма).