Линейная регрессия. Что спросят на собеседовании? ч.1

Очень круто! Я туповат, но здесь настолько всё по полочкам разложено, что почти всё понял! Спасибо огромное!

Круто! Спасибо за подробные объяснения вещей, которые зачастую просто называют, не объясняя сути

Подскажите почему (Xw-y) транспонированная стоит откуда она?

Круто, очень просто, быстро и доступно. А то смотришь других часами и уже под конец забыл с чего все начиналось!

Скажите, Python может самостоятельно определять тип зависимостей или мы сами должны ему сказать, какой это тип зависимостей? и может ли он сам определять критерии перехода от одной зависимости к другой?

Достойное видео. Очень крутая визуализация и несложные объяснения

Ещё бы понять как все эти признаки складывать а то вообще непонятно

Здорово! Спасибо, прикольно было бы еще текст к видео сделать, иногда в виде текста полезно глянуть после видео.

Продолжай, очень классно все обьяснил, хочется больше видеть именно эту рубрику!
Она очень полезна новичкам

Спасибо огромное, наконец-то осознал домашку ))) 3 дня мучился, разные ролики смотрел🎉

Спасибо тебе, добрый человек.

Кажется, что для того чтобы понять о чем тут - необходимо повторить всю школьную алгебру (и скорее всего не только). Много неизвестных понятий . Требуется серьёзная подготовка ....

Спасибо автору за ролик! Я человек со стороны так сказать и сейчас только думаю начать изучать всё, что необходимо для этой профессии.
В связи с этим возникает вопрос, неужели всё вышеперечисленное действительно спрашивают на собеседовании на джуна? Какая в этом практическая составляющая?

Спасибо за ваш огромный вклад в человечество

Круто, можно теперь также про деревья?

Привет. Спасибо за видео.

Очень поверхностное изложение. Глубоко понять линрег из этого видео будет сложно, хотя ощущение понимания появится. Если цель была сделать покрывающий тему материал, то имхо удалось не до конца.
Замечания:
1. Не ответили почему на самом необходимо предобработка с точки зрения оптимизации.
2. Не показан статический смысл регуляризации.
3. На линейную регрессию можно посмотреть как на ортогональную проекцию, что тоже интересно
4. Не показан подход с точки зрения максимизации правдоподобия.
5. Регуляризация в рамках MAP. То есть могли бы противопоставить MAP/MLE.
ИМХО материал для новичков должен быть максимально разносторонним.

Если проводите собеседования на таком уровне, то крайне высок риск нанять слабых кандидатов.
Успехов в дальнейшем развитии канала и будущих выпусках.
Рад буду подискутировать.

Отличное видео! Всё самое важное в такую небольшую продолжительность. вау!

Лайк однозначно

Молодец автор, очень круто!

Не ну лайк, подписка, контент полезный и редкий

Рома а у вас команда Магнит где расположена в Москве или в Краснодаре?

В поддержку канала!

Отдельное спасибо за раздел про регуляризацию, все ни как не мог понять самостоятельно что значат эти графики. Обязательно продолжайте!

Чтобы воспроизвести бОльшую глубину этого урока, нужно пересмотреть этот ролик ещё раз и прочитать этот комментарий.