🫣 Боитесь математики в ML?
Думаете, для этого нужно вспоминать университетские интегралы и решать сложные уравнения?
У нас хорошая новость: машинное обучение — это в первую очередь инженерная практика, а не математическая олимпиада. Здесь важнее понимать суть, а не выводить формулы.
Именно на таком подходе — через логику, интуицию и наглядные примеры — и построен наш курс «ML для старта в Data Science», где мы объясняем всё на пальцах, без боли и зубрёжки.
Регистрируйтесь, пока есть свободные места 😉
Думаете, для этого нужно вспоминать университетские интегралы и решать сложные уравнения?
У нас хорошая новость: машинное обучение — это в первую очередь инженерная практика, а не математическая олимпиада. Здесь важнее понимать суть, а не выводить формулы.
Именно на таком подходе — через логику, интуицию и наглядные примеры — и построен наш курс «ML для старта в Data Science», где мы объясняем всё на пальцах, без боли и зубрёжки.
Регистрируйтесь, пока есть свободные места 😉
👍1
Какие существуют различные стили наследования моделей в Django?
Django поддерживает 3 типа наследования. Это абстрактные базовые классы, многотабличное наследование и прокси-модели.
Библиотека собеса по Python
Библиотека собеса по Python
👍2
Для чего нужна функция statistics.mean()?
Функция statistics.mean() в Python используется для вычисления среднего арифметического набора данных. Она находится в модуле statistics, который нужно предварительно импортировать.
Библиотека собеса по Python
Библиотека собеса по Python
🧐 Зоопарк моделей в ML: с чего начать?
Открываешь статью по машинному обучению — и в тебя летят слова: трансформеры, бустинги, SVM, регрессии.
Кажется, придётся учить всё это, иначе в ML не пустят.
Хорошая новость: 90% задач можно закрыть 2–3 классическими методами. Разберёшь их — уже сможешь собирать работающие проекты. А хайповые названия подождут.
Важно: не распыляйся на всё подряд. Начни с базового — это фундамент, на котором держится остальное.
👉 Успей попасть на курс «ML для старта в Data Science»
Открываешь статью по машинному обучению — и в тебя летят слова: трансформеры, бустинги, SVM, регрессии.
Кажется, придётся учить всё это, иначе в ML не пустят.
Хорошая новость: 90% задач можно закрыть 2–3 классическими методами. Разберёшь их — уже сможешь собирать работающие проекты. А хайповые названия подождут.
Важно: не распыляйся на всё подряд. Начни с базового — это фундамент, на котором держится остальное.
👉 Успей попасть на курс «ML для старта в Data Science»
❤1
В чём разница между deepcopy и copy в Python, и как они работают с объектами, содержащими изменяемые и неизменяемые типы данных?
copy.copy создаёт поверхностную копию объекта: сам объект новый, но вложенные изменяемые элементы (списки, словари, пользовательские объекты) остаются ссылками на те же объекты. copy.deepcopy рекурсивно копирует все вложенные структуры, создавая полную независимую копию, обходя граф объектов и учитывая циклические ссылки с помощью внутреннего memo. Для неизменяемых типов (строки, числа, кортежи без изменяемых элементов) оба метода возвращают ту же ссылку.
Библиотека собеса по Python
Библиотека собеса по Python
👍2
Как векторизация связана с бродкастингом в NumPy?
Векторизация подразумевает делегирование операций NumPy внутренне оптимизированным функциям языка C для получения более быстрого кода Python. В то время как бродкастинг относится к методам, которые позволяют NumPy выполнять арифметические операции, связанные с массивами. Размер или форма массивов в этом случае не имеют значения. Трансляция решает проблему несовпадающих массивов, реплицируя меньший массив вдоль большего массива, чтобы гарантировать, что оба массива имеют совместимые формы для операций NumPy. Выполнение бродкастинга перед векторизацией помогает векторизовать операции, которые поддерживают массивы разных измерений.
Библиотека собеса по Python
Библиотека собеса по Python