❓300 Вопросов по Машинному обучению (Machine Learning) - Вопрос_227

🟡Что возвращает метод predict_proba() в scikit-learn ? (Часть_3)

Существует несколько нюансов, на которые стоит обратить внимание:

1. Калибровка вероятностей: Модели в scikit-learn могут быть откалиброваны, чтобы возвращать более достоверные вероятности, используя методы, такие как Platt Scaling или Isotonic Regression. Это можно сделать с помощью класса CalibratedClassifierCV.

#BayesianOptimization #SurrogateMdel #BayesianUpdate #IterativeSearch #Exploration #Exploitation

🗣Чем больше шеров и лайков, тем активнее выкладываю посты !!!

❓300 Вопросов по Машинному обучению (Machine Learning) - Вопрос_227

🟡Что возвращает метод predict_proba() в scikit-learn ? (Часть_4)

Существует несколько нюансов, на которые стоит обратить внимание:

2. Интерпретация вероятностей: Результаты predict_proba() лучше интерпретировать как "оценки вероятностей" или "scores", которые отражают относительную уверенность модели в принадлежности примера к каждому классу, а не как абсолютные вероятности.

3. Ограничения метода: Для некоторых моделей, таких как деревья решений, вероятности, возвращаемые predict_proba(), могут быть особенно неточными, так как они основаны на эвристиках, а не на строгом статистическом выводе.

#BayesianOptimization #SurrogateMdel #BayesianUpdate #IterativeSearch #Exploration #Exploitation

🗣Чем больше шеров и лайков, тем активнее выкладываю посты !!!

Когда обо всём наврал в резюме, но тебя всё равно взяли на работу.

Базовые вещи по линейной регрессии.

1. Основы линейной регресии (https://habr.com/ru/articles/514818/)

2. Линейная регрессия. Основная идея, модификации и реализация с
нуля на Python (https://habr.com/ru/articles/804135/)

3. Линейная регрессия в машинном обучении (https://neurohive.io/ru/osnovy-data-science/linejnaja-regressija/)

4. «Математические основы машинного обучения и прогнозирования» Вьюгин В.

5. «Машинное обучение» Бринк Х., Ричардс Д., Феверолф М.

6. «Bayesian Reasoning and Machine Learning» Barber D.

7. «The Elements of Statistical Learning. Data Mining, Inference and Prediction» Hastie T., Tibshirani R., Friedman J.

https://github.com/Machine-Learning-Tokyo/Interactive_Tools - не трансформерами едиными, целый кладезь игрушек и понимания как они работают под "капотом". Очень прикольная тема.

https://www.fastcompany.com/91170296/spotify-ai-music - это как DDOS только легальный ))) и он всем нравится

https://arxiv.org/pdf/2407.06460 - очень интересное исследование, показывающее, что если заставлять сеть что-то забывать, она начинает забывать вообще все, что надо и что не надо и в итоге скатывается в самый низ по работе.

👍👍👍Заключил договор на запись 80 лекций по БигДата с одним из московских вузов !!! Растем скоро свои курсы пойдут, буду выкладывать на Stepic. Технология откатана. Пилим ))

В сентябре уходим на хакатон "Цифровой прорыв". Будем тут:https://hacks-ai.ru/, команда собралась отличная 5 человек, задачи тоже выбрали серьезные. Так что посмотрим как все пойдет, но будем очень стараться.

Задачи уже выкатили готовимся !!!

https://huggingface.co/spaces/Qwen/Qwen2-VL - новая мультимодальная сеть. Уже доступна для скачивания и апробации. Скоро начинаем тестить.

https://www.хакатоны.рус/tpost/2ebthlgyr1-aeroton - новый прикольный хак, всех заинтересованных лиц приглашаем !

Вся суть современного ML в одном предложении )))

Очень затейное видео https://youtu.be/pVxtOGUhSVA

Завтра посты плотно пойдут, последние дни плотно очень занят

Очень большая, коллекция моделей для прогнозирования временных рядов. От классики до самых новых NBEATS, NHITS, TFT

pip install neuralforecast

https://github.com/Nixtla/neuralforecast

https://openai.com/index/gpt-4o-fine-tuning/ - выкатили файнт-тюн GPT4-o-mini