РЕАЛИЗАЦИЯ ЛИНЕЙНОЙ РЕГРЕССИИ | Линейная регрессия | LinearRegression | МАШИННОЕ ОБУЧЕНИЕ

Поддержать канал можно оформив подписку на 🎉 🎉 🎉 А можете скидывать монеты на 💻 Мои курсы на платформе Stepik: ✅ Канал в TG ✅ Группа в VK Практическое задание Вопросы, на которые найдем ответы в этом видео: Что такое линейная регрессия? Как обучить LinearRegression из sklearn? Как написать свою реализацию LinearRegression? Что такое градиентный спуск? Метрики регрессии Ноутбук из видео 0:00 Вводная 0:08 Что такое линейная регрессия в общих чертах 0:37 Разные линии ax b 2:25 Получение данных 3:11 Обучение LinearRegression из sklearn 3:39 Коэффициенты у линейной регрессии .coef_, .intercept_ 4:04 Отрисовка линейной регрессии 4:40 Предсказания линейной модели .predict() 4:54 Предсказания линейной модели через коэффициенты 5:14 Построение другой линейной регрессии 5:53 Сравнение линейных моделей по отклонению 6:56 Сравнение линейных моделей по метрике MSE 7:30 Как обучается линейная регрессия? 7:49 Оптимизация MSE 8:55 Градиентный спуск 8:59 Что такое градиент 9:54 Антиградиент 10:13 Градиент на примере гор 11:26 Реализация градиентного спуска на python 13:15 Скорость обучения (шаг обучения) в градиентном спуске 14:21 Второй шаг градиентного спуска 14:56 Цикл градиентного спуска 16:40 Критерий остнова градиентного спуска по коэффициентам 18:17 Алгоритм градиентного спуска 18:59 Реализация линейной регрессии через градиентный спуск 19:30 Реализация функции MSE и производная MSE 21:58 Цикл обучения линейной регрессии на одном признаке 24:30 Обучение многомерное линейной регрессии 24:54 Обучение LinearRegression из sklearn 25:06 Веса линейной регрессии 25:54 Предсказания LinearRegression .predict() 26:03 Предсказания линейной модели через веса 26:23 Подсчет метрики MSE 27:51 Реализация линейной модели на python 28:03 Линейная регрессия - это скалярное произведение 29:05 Свободный вес в линейной регрессии 29:15 Фиктивный признак 29:50 MSE в матричном виде 30:48 Реализация функции MSE и градиент MSE 31:56 Инициализация весов 32:12 Цикл обучения линейной регрессии 34:14 Практика на 35:05 Резюме занятия Music: