Содержание
0.Основы
Доступно 2 из 2
1.Задачи и данные
2.Классификация
Доступно 2 из 3
- 2.3Деревья решений: машина из вопросов
3.Вероятности и границы классов
Готовится
- 3.1Наивный Байес: какие слова выдают спам
- 3.2Логистическая регрессия: от признаков к вероятности
- 3.3SVM: граница с запасом
4.Регрессия
Доступно 1 из 2
- 4.2Полиномиальная регрессия: когда прямой мало
5.Качество и сложность моделей
Готовится
- 5.1Цена ошибки: почему 99% точности бывает бесполезно
- 5.2Переобучение: выучить ответы или научиться
- 5.3Ridge и Lasso: как ограничить сложность
6.Кластеризация
Готовится
- 6.1k-means: найти центры групп
- 6.2DBSCAN: скопления и одиночные точки
- 6.3Иерархическая кластеризация: группы внутри групп
7.Уменьшение размерности
Готовится
- 7.1PCA: какие различия сохранить при сжатии
- 7.2t-SNE: карта похожих рукописных цифр
- 7.3SVD: собрать изображение из простых слоёв
8.Рекомендательные системы и ассоциации
Готовится
- 8.1Рекомендательные системы: как подобрать незнакомый фильм
- 8.2Ассоциации: что встречается вместе
- 8.3Apriori: как искать сочетания покупок
9.Нейронные сети
Доступно 8 из 8
10.Компьютерное зрение
Готовится
- 10.1Свёрточные сети (CNN): от пикселей к признакам
11.Автоэнкодеры и GAN
Готовится
- 11.1Автоэнкодер: сжать и восстановить цифру
- 11.2GAN: генератор и проверяющая сеть
12.Обучение с подкреплением
Готовится
- 12.1Обучение с подкреплением: агент, действия и награда
- 12.2Q-learning: ценность действия шаг за шагом
- 12.3SARSA: учитывать риск собственных проб
13.Языковые модели
14.Трансформеры
Готовится
- 14.1Внимание: какие слова нужны для следующего ответа
- 14.2Трансформер: как устроен один блок
15.Диффузионные модели
Готовится
- 15.1Генерация изображений 1. Из шума в картинку
- 15.2Управление генерацией: текст, изображение и шум
16.ИИ-агенты
Готовится
- 16.1Инструменты агента: поиск, документы и вычисления
- 16.2Агент: действие, наблюдение и следующий шаг
Содержание
0.Основы
1.Задачи и данные
2.Классификация и цена ошибки
Доступно 1 из 3
- 2.2Цена ошибки: почему 99% точности бывает бесполезно
- 2.3Precision и recall: посчитать цену решения
3.Регрессия
Доступно 1 из 3
- 3.2Полиномиальная регрессия: когда прямой мало
- 3.3Как найти лучшую прямую
4.Проверка и сложность
Готовится
- 4.1Переобучение: выучить ответы или научиться
- 4.2Честное сравнение моделей
- 4.3Ridge и Lasso: как ограничить сложность
5.Соседи и деревья
Доступно 1 из 3
- 5.2Скажи мне, кто твой сосед
- 5.3Деревья решений: машина из вопросов
6.Вероятности и границы классов
Готовится
- 6.1Наивный Байес: какие слова выдают спам
- 6.2Логистическая регрессия: от признаков к вероятности
- 6.3SVM: граница с запасом
7.Бэггинг и случайный лес
Готовится
- 7.1Бэггинг: несколько взглядов на одни данные
- 7.2Случайный лес: зачем деревьям голосовать
8.Бустинг и стекинг
Готовится
- 8.1Бустинг: следующая модель исправляет предыдущую
- 8.2Стекинг: кто объединяет прогнозы
- 8.3Почему несколько моделей лучше одной
9.Рекомендательные системы и ассоциации
Готовится
- 9.1Рекомендательные системы: как подобрать незнакомый фильм
- 9.2Ассоциации: что встречается вместе
- 9.3Apriori: как искать сочетания покупок
10.Кластеризация
Готовится
- 10.1k-means: найти центры групп
- 10.2DBSCAN: скопления и одиночные точки
- 10.3Иерархическая кластеризация: группы внутри групп
- 10.4Группы, которым никто не дал названий
11.Геометрия и сжатие данных
Готовится
- 11.1Смысл как точка в пространстве
- 11.2PCA: какие различия сохранить при сжатии
- 11.3t-SNE: карта похожих рукописных цифр
- 11.4SVD: собрать изображение из простых слоёв
12.Нейронные сети
Доступно 7 из 9
- 12.8Нейронные сети 2. Веса, сумма, нелинейность
- 12.9Нейронные сети 3. Зачем нужен скрытый слой
13.Обучение нейросети
Готовится
- 13.1Обучить свою первую сеть
14.Компьютерное зрение
Готовится
- 14.1Свёрточные сети (CNN): от пикселей к признакам
- 14.2Фильтр, который учится видеть
15.Последовательности и память
Готовится
- 15.1RNN: прогноз с памятью о предыдущих шагах
- 15.2LSTM: что запомнить, а что забыть
16.Языковые модели
Доступно 7 из 8
- 16.8Следующий токен как распределение
17.Трансформеры
Готовится
- 17.1Внимание: какие слова нужны для следующего ответа
- 17.2Трансформер: как устроен один блок
18.Контекст и достоверность
Готовится
- 18.1Почему один запрос работает лучше другого
19.ИИ-агенты
Готовится
- 19.1Инструменты агента: поиск, документы и вычисления
- 19.2Агент: действие, наблюдение и следующий шаг
- 19.3Ассистент по своим документам
20.Автоэнкодеры и GAN
Готовится
- 20.1Автоэнкодер: сжать и восстановить цифру
- 20.2GAN: генератор и проверяющая сеть
21.Диффузионные модели
Готовится
- 21.1Генерация изображений 1. Из шума в картинку
- 21.2Управление генерацией: текст, изображение и шум
22.Обучение с подкреплением
Готовится
- 22.1Обучение с подкреплением: агент, действия и награда
- 22.2Q-learning: ценность действия шаг за шагом
- 22.3SARSA: учитывать риск собственных проб
- 22.4DQN: нейросеть вместо таблицы действий
23.Свой проект
Готовится
- 23.1Что стоит сообщать ассистенту
- 23.2Как выбрать инструмент под задачу
- 23.3Свой разбор: данные, модель, ошибка, проверка
- 23.4От данных до работающей модели
Содержание
0.Основы
1.Задачи и данные
2.Классификация и метрики
Доступно 1 из 3
- 2.2Цена ошибки: почему 99% точности бывает бесполезно
- 2.3Precision и recall: посчитать цену решения
3.Честный эксперимент
Готовится
- 3.1Переобучение: выучить ответы или научиться
- 3.2Честное сравнение моделей
- 3.3Вероятность: от событий к ожиданию
4.Регрессия и правдоподобие
Доступно 1 из 4
- 4.2Полиномиальная регрессия: когда прямой мало
- 4.3Как найти лучшую прямую
- 4.4От правдоподобия к функции потерь
5.Соседи и деревья
Доступно 1 из 3
- 5.2Скажи мне, кто твой сосед
- 5.3Деревья решений: машина из вопросов
6.Вероятности и границы классов
Готовится
- 6.1Наивный Байес: какие слова выдают спам
- 6.2Логистическая регрессия: от признаков к вероятности
- 6.3SVM: граница с запасом
7.Бэггинг и случайный лес
Готовится
- 7.1Бэггинг: несколько взглядов на одни данные
- 7.2Случайный лес: зачем деревьям голосовать
8.Бустинг и стекинг
Готовится
- 8.1Бустинг: следующая модель исправляет предыдущую
- 8.2Стекинг: кто объединяет прогнозы
- 8.3Почему несколько моделей лучше одной
- 8.4Бустинг как спуск в пространстве функций
9.Рекомендательные системы и ассоциации
Готовится
- 9.1Рекомендательные системы: как подобрать незнакомый фильм
- 9.2Ассоциации: что встречается вместе
- 9.3Apriori: как искать сочетания покупок
10.Кластеризация
Готовится
- 10.1k-means: найти центры групп
- 10.2DBSCAN: скопления и одиночные точки
- 10.3Иерархическая кластеризация: группы внутри групп
- 10.4Группы, которым никто не дал названий
11.Геометрия данных
Готовится
- 11.1Смысл как точка в пространстве
- 11.2PCA: какие различия сохранить при сжатии
- 11.3Сжать данные, сохранив главное
12.Карты и разложения
Готовится
- 12.1t-SNE: карта похожих рукописных цифр
- 12.2SVD: собрать изображение из простых слоёв
13.Нейронные сети
Доступно 7 из 10
- 13.8Нейронные сети 2. Веса, сумма, нелинейность
- 13.9Нейронные сети 3. Зачем нужен скрытый слой
- 13.10Весь слой одной матрицей
14.Градиент и обратный проход
Готовится
- 14.1Обратный проход по графу вычислений
15.Алгоритмы оптимизации
Готовится
- 15.1Зачем спуску случайность
- 15.2Гонка SGD, Momentum и Adam
- 15.3Обучить свою первую сеть
16.Регуляризация и сравнение
Готовится
- 16.1Ridge и Lasso: как ограничить сложность
- 16.2Почему проще иногда лучше
- 16.3А улучшение вообще настоящее?
17.Компьютерное зрение
Готовится
- 17.1Свёрточные сети (CNN): от пикселей к признакам
- 17.2Фильтр, который учится видеть
18.Последовательности и память
Готовится
- 18.1RNN: прогноз с памятью о предыдущих шагах
- 18.2LSTM: что запомнить, а что забыть
19.Языковые модели
Доступно 7 из 8
- 19.8Следующий токен как распределение
20.Трансформеры
Готовится
- 20.1Внимание: какие слова нужны для следующего ответа
- 20.2Трансформер: как устроен один блок
- 20.3Attention: Q, K, V и масштаб
- 20.4Собрать маленький трансформер
21.Автоэнкодеры и GAN
Готовится
- 21.1Автоэнкодер: сжать и восстановить цифру
- 21.2GAN: генератор и проверяющая сеть
22.Диффузионные модели
Готовится
- 22.1Генерация изображений 1. Из шума в картинку
- 22.2Управление генерацией: текст, изображение и шум
- 22.3Генерация изображений 2. Как устроено зашумление
- 22.4Генерация изображений 3. Научиться обращать шум
23.ИИ-агенты и проверка ответов
Готовится
- 23.1Инструменты агента: поиск, документы и вычисления
- 23.2Агент: действие, наблюдение и следующий шаг
- 23.3Ассистент по своим документам
24.Награда и исследование
Готовится
- 24.1Обучение с подкреплением: агент, действия и награда
- 24.2Пробовать новое или выбирать лучшее
25.Обучение ценности действий
Готовится
- 25.1Q-learning: ценность действия шаг за шагом
- 25.2SARSA: учитывать риск собственных проб
- 25.3Агент, который думает на шаг вперёд
26.Глубокое обучение с подкреплением
Готовится
- 26.1DQN: нейросеть вместо таблицы действий
27.Своё исследование
Готовится
- 27.1Что стоит сообщать ассистенту
- 27.2Лаборатория нестандартных задач
- 27.3Исследование: гипотеза, эксперимент, защита