Сколько статей на хабре про машинное обучение? Обозначим их количество за 
и напишем Читать полностью »
Рубрика «линейная регрессия»
Разбираемся в ML без воды: от базы до Attention. Часть 1։ Введение
2026-05-19 в 11:23, admin, рубрики: machine learning, линейная регрессия, математика, машинное обучениеБинарная классификация: как работает логистическая регрессия
2026-02-09 в 10:32, admin, рубрики: gini coefficient, ml, roc auc, sgd, Бернулли, бинарная классификация, градиентный спуск, линейная регрессия, логистическая регрессия, сигмоидаНедавно мне предстояло написать реализацию LogisiticRegression для одного проекта в Школе 21, так что было необходимо разложить всё по полочкам и разобраться в бинарной классификации в целом. Хочу поделиться также этой информацией здесь, потому что не нашла статьи, которая была бы понятна и обширна лично в моём случае. Автор хочет отметить, что только начинает свой путь в машинном обучении. Если в статье найдутся неточности, то с радостью будет их заметить в комментариях
Сегодня я бы хотела рассмотреть следующие аспекты:
-
Сигмойдная функция
-
MLE и NLL
-
Распределение Бернулли
Статистика под капотом LinearRegression: почему мы минимизируем именно квадрат ошибки?
2025-11-08 в 18:00, admin, рубрики: линейная регрессия, Максимальное правдоподобие, машинное обучение, статистикаВведение
Все ML-инженеры знают о линейной регрессии. Это та самая база, с которой начинает изучение алгоритмов любой новичок. Но вот парадокс: даже многие «прожженные» инженеры не всегда до конца понимают ее истинную работу под капотом.
А именно — какая у «линейки» статистическая связь с Методом Максимального Правдоподобия (MLE) и почему она так сильно «любит» MSE и нормальное распределение. В этой статье мы как раз в этом и разберемся.
Освежаем в памяти Линейную регрессию
Линейная регрессия это как “Hello world” в мире классического машинного обучения.
Читать полностью »
Фундаментальные вопросы по ML-DL, часть 1: Вопрос → Краткий ответ → Разбор → Пример кода. Линейки. Байес. Регуляризация
2025-06-15 в 2:10, admin, рубрики: data science, machine learning, ml-интервью, naive bayes, python, scikit-learn, SVM, Алгоритмы, линейная регрессия, регуляризацияУ каждого наступает момент, когда нужно быстро освежить в памяти огромный пласт информации по всему ML. Причины разные - подготовка к собеседованию, начало преподавания или просто найти вдохновение.
Времени мало, объема много, цели амбициозные - нужно научиться легко и быстро объяснять, но так же не лишая полноты!
Обращу внимание, самый действенный способ разобраться и запомнить - это своими руками поисследовать задачу! Это самое важное, оно происходит в секции с кодом.
Будет здорово получить ваши задачи и в следующих выпусках разобрать!
Diff-in-diff: жизнь за пределами идеального эксперимента
2024-12-18 в 13:47, admin, рубрики: causal Inference, diff-in-diff, difference-in-difference, treatment, АБ-тесты, линейная регрессия, статистика, эконометрика, экспериментПривет! На связи команда ad-hoc аналитики X5 Tech.
Основная задача аналитика при проведении А/Б тестирования - оценка эффекта воздействия (тритмента). Примеров задач по оценке эффекта воздействия множество:
-
Как изменится выручка от продаж, если изменить ассортимент товаров, предлагаемых в пространстве около кассы?
-
Удастся ли улучшить самочувствие пациентов, если они начнут принимать новый препарат?
-
Что произойдёт с оценками школьников, если они начнут посещать репетиторов?
Машинное обучение: Линейная регрессия. Теория и реализация. С нуля. На чистом Python
2024-12-03 в 15:00, admin, рубрики: искусственный интеллект, линейная регрессия, машинное обучениеВ этой статье я рассказываю про линейную регрессию, свойства, которыми должны обладать данные для модели, процесс обучения, регуляризацию, метрики качества. Кроме чистой теории я показываю как это все реализовать. Я рассказываю все в своем стиле и понимании - с инженерной точки зрения, с точки зрения того, как реализовывать с нуля.
Введение
Линейная регрессия (ЛинР)Читать полностью »
Предсказываем стоимость логистики грузоперевозок по городам на данных маркетплейсов логистики
2024-11-24 в 4:32, admin, рубрики: линейная регрессияПеревозка грузов является одной из важных сфер бизнеса, особенно в странах, имеющих большое транзитное значение, таких как Казахстан. При этом тарифы на перевозку, хоть и играют решающую роль при оценке доходности логистического бизнеса, весьма непрозрачны и зависят от большого количества факторов. В этих условиях кажется логичным построение модели, позволяющей с хорошим приближением предсказывать стоимость перевозки груза в зависимости от его параметров, условий перевозки, а также начального и конечного пунктов. В данном посте будут описаны основные этапы построения такой модели.
Этапы построения модели
Читать полностью »
Как пакет с пакетами помог аналитику решить задачу для бизнеса, или keep calm and import statsmodels
2024-10-17 в 9:00, admin, рубрики: data science, linear regression, python, statsmodels, линейная регрессия
Всем привет!
Читать полностью »
50 оттенков линейной регрессии, или почему всё, что вы знаете об A-B тестах, помещается в одно уравнение
2024-09-27 в 7:42, admin, рубрики: cuped, линейная регрессия, Статистика в ITВсем привет! A/B тестирование уже давно стало стандартом в проверке гипотез и улучшении продуктов в X5. Но, как ни странно, многие из «модных» техник, которые применяются в A/B тестировании, на самом деле, не что иное, как вариации старой доброй линейной регрессии.
Например, использование таких методов, как t-тест, стратификация, CUPED, CUMPED, по сути, сводятся к построению линейной регрессии и проверке гипотезы в рамках построенной модели. Наши коллеги из команды ad-hoc аналитики Х5 Tech уже писали про стратификацию здесь и про CUPED здесьЧитать полностью »
Учим нейросети в Google Таблицах
2020-04-29 в 11:58, admin, рубрики: Excel, Google Sheets, machine learning, Блог компании Юла, линейная регрессия, машинное обучение, нейросети, ненормальное программированиеХочу с вами зачелленджить одну интересную штуку: попробовать обучить нейросеть в Google Таблицах. Безо всяких макросов и прочих хаков, на чистых формулах.
