https://courses.digitable.life/tags/%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5/ Recent content in Машинное Обучение on Digitable courses Hugo ru-RU Sat, 01 Aug 2026 00:12:59 +0300 https://courses.digitable.life/post/machine-learning/04-knn-and-naive-bayes/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/04-knn-and-naive-bayes/ Два простейших и при этом до сих пор рабочих алгоритма: ленивый непараметрический kNN и генеративный наивный Байес — от интуиции и математики до ANN-поиска и антиспама в проде. https://courses.digitable.life/post/machine-learning/15-mlops/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/15-mlops/ Как ноутбук с 0.91 AUC превращается в систему, которая держит нагрузку, переобучается сама и не разваливается через месяц: воспроизводимость, трекинг экспериментов, feature store, реестр моделей, CI/CD/CT, стратегии выката, мониторинг дрейфа и экономика всего этого. https://courses.digitable.life/post/machine-learning/07-ensembles-and-boosting/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/07-ensembles-and-boosting/ Почему сумма слабых моделей сильнее одной хорошей: декорреляция ошибок и бэггинг, устройство случайного леса, градиентный бустинг как спуск в пространстве функций, Newton boosting в XGBoost, гистограммный алгоритм LightGBM, ordered boosting CatBoost, стекинг и продакшн-практика. https://courses.digitable.life/post/machine-learning/13-time-series/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/13-time-series/ Прогнозирование, где нарушено главное допущение ML — независимость наблюдений: стационарность и ACF, ARIMA и ETS, признаковый подход с бустингом, честный бэктест, метрики MASE и pinball, иерархии и продакшн. https://courses.digitable.life/post/machine-learning/02-data-and-features/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/02-data-and-features/ Как превратить сырые таблицы в матрицу признаков: пропуски, выбросы, кодирование категорий, масштабирование, feature engineering и главная болезнь ML-проектов — утечки данных. https://courses.digitable.life/post/machine-learning/08-clustering/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/08-clustering/ Четыре разных ответа на вопрос «что такое кластер»: центроидный k-means, плотностной DBSCAN, иерархический agglomerative и вероятностная смесь гауссиан — с математикой, кодом, выбором числа кластеров и оценкой качества без разметки. https://courses.digitable.life/post/machine-learning/03-linear-and-logistic-regression/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/03-linear-and-logistic-regression/ Два базовых линейных алгоритма ML от первых принципов: МНК как проекция, нормальное уравнение и градиентный спуск, регуляризация Ridge/Lasso, логит-преобразование, log-loss, калибровка и продакшн-практика. https://courses.digitable.life/post/machine-learning/01-math-foundations/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/01-math-foundations/ Рабочий минимум математики для машинного обучения: векторы и матрицы как язык данных, градиенты и оптимизация как механизм обучения, вероятности и правдоподобие как источник функций потерь. https://courses.digitable.life/post/machine-learning/00-overview/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/00-overview/ Что такое обучение по данным с точки зрения первых принципов, как формально ставится задача, какие бывают типы задач, как перевести бизнес-вопрос в ML-постановку и как устроен весь трек. https://courses.digitable.life/post/machine-learning/05-svm/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/05-svm/ Как из идеи «раздвинь классы как можно шире» вырастает выпуклая задача оптимизации, почему решение зависит только от опорных векторов и как ядерный трюк даёт нелинейность без построения признаков. https://courses.digitable.life/post/neural-networks/00-overview/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/00-overview/ Что такое нейронная сеть с первых принципов, чем она отличается от классического ML, почему работает глубина — и как устроен весь трек: от перцептрона до деплоя и интерпретируемости. https://courses.digitable.life/post/machine-learning/14-reinforcement-learning/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/14-reinforcement-learning/ Как обучать агента, который принимает последовательность решений и получает только отложенную награду: марковские процессы, уравнения Беллмана, Q-learning и SARSA, разведка против эксплуатации, DQN и deadly triad, policy gradient и PPO, offline RL и RLHF — с кодом, разбором сходимости и честным списком мест, где RL в проде не нужен. https://courses.digitable.life/post/machine-learning/10-model-evaluation/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/10-model-evaluation/ Как честно измерить качество модели: от матрицы ошибок и ROC-AUC до вложенной кросс-валидации, доверительных интервалов, калибровки вероятностей и разрыва между офлайн-метрикой и продовым эффектом. https://courses.digitable.life/post/machine-learning/11-overfitting-and-regularization/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/11-overfitting-and-regularization/ Почему модель, идеальная на обучении, проваливается в проде: строгое разложение ошибки на смещение и дисперсию, диагностика по кривым обучения, вся линейка регуляризаторов от ridge и lasso до early stopping и dropout, байесовская интерпретация штрафов и двойной спуск. https://courses.digitable.life/post/machine-learning/12-recommender-systems/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/12-recommender-systems/ От матрицы взаимодействий до продакшн-воронки retrieval → ranking: коллаборативная фильтрация, матричная факторизация, implicit ALS и BPR, two-tower, ранжирующие метрики, холодный старт, смещения обратной связи и онлайн-эксперименты. https://courses.digitable.life/post/machine-learning/06-decision-trees/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/06-decision-trees/ Как устроены решающие деревья: жадное рекурсивное разбиение, критерии Джини и энтропии, обрезка по сложности, работа с категориями и пропусками, ловушки важности признаков и место деревьев в проде. https://courses.digitable.life/post/machine-learning/09-dimensionality-reduction/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/machine-learning/09-dimensionality-reduction/ Почему в высокой размерности ломается геометрия и как её чинить: линейные проекции (PCA, SVD, случайные проекции) для сжатия признаков и нелинейные вложения (t-SNE, UMAP) для визуализации — с математикой, кодом, ловушками и продакшн-практикой. https://courses.digitable.life/video/ai-basics/ Sun, 31 May 2026 15:58:07 +0300 https://courses.digitable.life/video/ai-basics/ В этом видео: