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.
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
Очень сомнительный подход, настолько сильно углубляться в алгоритм, который в большинстве задач не является оптимальным с точки зрения качества регрессии
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.
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.
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.
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?
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 ....
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).
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?
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)
Отдельное спасибо за раздел про регуляризацию, все ни как не мог понять самостоятельно что значат эти графики. Обязательно продолжайте!
Достойное видео. Очень крутая визуализация и несложные объяснения
Спасибо за ваш огромный вклад в человечество
Продолжай, очень классно все обьяснил, хочется больше видеть именно эту рубрику!
Она очень полезна новичкам
Отличное видео! Всё самое важное в такую небольшую продолжительность. вау!
Спасибо огромное, наконец-то осознал домашку ))) 3 дня мучился, разные ролики смотрел🎉
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.
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
Очень сомнительный подход, настолько сильно углубляться в алгоритм, который в большинстве задач не является оптимальным с точки зрения качества регрессии
Круто, очень просто, быстро и доступно. А то смотришь других часами и уже под конец забыл с чего все начиналось!
Не ну лайк, подписка, контент полезный и редкий
Круто! Спасибо за подробные объяснения вещей, которые зачастую просто называют, не объясняя сути
Чтобы воспроизвести бОльшую глубину этого урока, нужно пересмотреть этот ролик ещё раз и прочитать этот комментарий.
Здорово! Спасибо, прикольно было бы еще текст к видео сделать, иногда в виде текста полезно глянуть после видео.
В поддержку канала!
Круто, спасибо ! Очень напоминает CV, Yolo, нейросети )
Спасибо тебе, добрый человек.
Молодец автор, очень круто!
просто оптимальный, не может быть наиболее или наименее оптимальный. Оптимум - он один!
Спасибо за видео, хорошо рассказываете, правда я ничего не понял, но это только потому что я неуч.
Очень круто! Я туповат, но здесь настолько всё по полочкам разложено, что почти всё понял! Спасибо огромное!
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.
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.
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.
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?
Нужно понимать, как работают алгоритмы, которые применяешь. Тогда можно получать более хороший результат, так как знаешь, что можно подкрутить
Лайк однозначно
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 ....
Почему при вычислении производной в первом уравнении Xw стало X^T? На 6:26
🔥
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).
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?
Рома а у вас команда Магнит где расположена в Москве или в Краснодаре?
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)
Лучше написать квадрат нормы: |Xw-y|^2, а не (Xw-y)^2.
Ещё бы понять как все эти признаки складывать а то вообще непонятно
Дисклеймер: данное видео о том, как убить свою самооценку за 14 мин😂
Почему?)
Видео понравилось, но ни хуя не понятно !
нихуя не понял
Очень интересно но ничего не понятно:-(