Спасибо большое. Ооооочень доступно и понятно, как и все видеоролики. Вы талант!

Спасибо. Очень понятно объясняешь. Смотрю твои видео для закрепления материала. Если, что то не догоняю после твоих видео все становиться на места). Про расчет градиента очень бы хотелось послушать. Тема довольно важная кажеться😃👍

Ура, жду следующее видео, это было прекрасным

@machine_learrrning

Жыл бұрын

Огромное спасибо за приятные слова! 😊 Уже совсем скоро, а точнее в субботу выйдет видео про реализацию логистической регрессии

Спасибо. Хоть кто-то объяснил толком на графике 😊

О Боже, я наконец-то всё поняла! Спасибо большое! Я правда уже долгое время не могла понять, что такое Правдоподобие и как оно связано с Логистической регрессией! Пошла смотреть другие ваши видео 😊

Большое спасибо за разъяснения! Видео очень ёмкое и подробное для каких-то 20 минут =)

Юлия, благодарю за урок! Для чего нужно делать градиентный спуск из logloss и как его делать? Будет супер, если такой урок сделаете)

Как всегда, отличное объяснение! Спасибо!

Спасибо, очень доступно, ждём продолжение)

@machine_learrrning

Жыл бұрын

Пожалуйста! Продолжение будет завтра :)

Спасибо! Отличный урок!

@machine_learrrning

Жыл бұрын

Пожалуйста, очень рада, что урок понравился 😊

Прекрасное объяснение, спасибо!

одно из лучших видео что я видел

Браво! Прекрасное объяснение! 5+

👏👏 Отлично!

Спасибо огромное, это лучшее объяснение правдоподобия. А планируется ли видео по подробному разбору roc-auc?

@machine_learrrning

Жыл бұрын

Про ROC-AUC уже было видео: kzread.info/dash/bejne/qGqEsqlxesKrl9Y.html

@aly7401

Жыл бұрын

@@machine_learrrning спасибо, не заметила его с первого раза

Шикарно👏

Я достиг катарсиса, спасибо

Спасибо за контент! Видео помогают суммаризировать информацию - ставлю лайк под каждым вашим роликом) По данному видео возникло 3 вопроса: 1. Почему на 11:55 мы делим на N? Вроде как когда я изучал статистику, при поисках ОМП (оценок макс правдопод) мы не делили правдоподобие на N. 2. Совпадение ли, что на 17:10 формула похожа на энтропию Шеннона? Если нет, то как это связано?)) 3. Как получилась формула для градиента logloss? Вы сказали, что выведите формулу в след видео с реализацией - я поверхностно пробежался по таймкодам, но вывода не нашел(

@user-ku4nn5pw8p

11 ай бұрын

И еще хочу уточнить - на 17:40 вы говорите про то, что мы ищем веса лог. регрессии через градиентный спуск. Но я тут прохожу параллейно логистическую регрессию с одним номинативными предикторами на курсе по статистике и там эти веса - логарифмы отношения шансов отнесения обьекта к классу (log[1ый класс/2ой класс]). Формула с логарифмами - это частный случай для номинативных переменных, который перестает работать в случае количественных переменных?..

Я понял, что такое правдоподобие, ура!

leaRRRning это отсылка на что?)) Клевый ролик)

Спасибо!

логлосс вроде это бинарная кросс-энтропия, а не кросс-энтропия 17:30 за видео спасибо

Хотелось бы ссылку на donation alerts, яндекс кошелек и т.п., чтобы иметь возможность единоразово отблагодарить без регистрации. За видео спасибо.

@machine_learrrning

Жыл бұрын

А такая ссылка есть :) www.donationalerts.com/r/machine_learrrning Буду рада за поддержку!

Кто-нибудь объясните пожалуйста про логарифм на 12:21

есть видео про подробное получение градиента? хотелось бы еще узнать как высчитываются веса в sklearn модели logreg. неужели все через градиентный спуск?

@machine_learrrning

Жыл бұрын

Про градиентный спуск рассказываю и его показываю в видео про реализацию линейных моделей: 1. линейная регрессия kzread.info/dash/bejne/fX51m6NqoZzSZ6g.html 2. логистическая регрессия kzread.info/dash/bejne/pKmKrZJwiamTgrg.html В этих моделях могут использоваться другие методы оптимизации, более подробно стоит смотреть по агрументу solver в классах sklearn, к примеру, для логрег: scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html

Спасибо, а логистическая регрессия умеет работать с пропусками в данных ?

@machine_learrrning

Жыл бұрын

нет, к сожалению, такой способности у модели нет

Интересно, градиент из логлосса

А, так вот почему игноришь в лс, ты монтируешь

Кажется, что вы это объясняете это тем, кто это уже все знает, а я ничего не понял. Очень хочется все это понять и объяснить людям ПОНЯТНО, на примере. Просто начинаешь смотреть, какие-то непонятные обозначения. Скалярное произведение. Че за скалярное произведение, че это вообще такое и так все. ну нафиг.

@machine_learrrning

Жыл бұрын

Может быть для начала ознакомитесь с видео про линейную регрессию, где как раз-таки получаем это скалярное произведение? kzread.info/dash/bejne/fX51m6NqoZzSZ6g.html А если говорить кратко, то это перемножение коэффициентов (весов) на признаки (характеристики данных)

@iotone7525

Жыл бұрын

@@machine_learrrning Спасибо, попробую

Знаете как это выглядит моими глазами? Смотрю на график, там числа, че за числа, че это? непонятно. Ладно, поехали дальше. бла бла бла, Скалярное произведение. Че? Че это такое? Начинаешь гуглить. результат операции над двумя векторами, являющийся скаляром, то есть числом, не зависящим от выбора системы координат. Используется в определении длины векторов и угла между ними. Че? Че? Что это вообще значит? может если я прочитаю че такое вектор мне станет понятно? ок. математический объект, характеризующийся величиной и направлением. Что? че за объект? Что за величина? Направление в пространстве или где? Как это? ааааааа

@guts909

6 ай бұрын

Линейная алгебра в помощь. Там нет ничего сложно. Можете поизучать и потом намного понятнее станет всё

@osvab000

Ай бұрын

Вот поэтому математику не любят. Там очень много такого, что можно не произносить и объяснить за секунды... Но речь загромождают не нужной терминологией! Мало людей могут объяснить сложное - простысми словами. Здесь я тоже ничего не понял про правдоподобие!

Ты милашка) материал хороший, подписался.