https://courses.digitable.life/tags/%D1%80%D0%B5%D0%B3%D1%83%D0%BB%D1%8F%D1%80%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F/ Recent content in Регуляризация on Digitable courses Hugo ru-RU Sat, 01 Aug 2026 00:12:59 +0300 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/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/02-training-and-optimization/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/02-training-and-optimization/ Полный разбор того, что происходит между «есть архитектура» и «есть работающая модель»: ландшафт потерь, SGD и Adam, learning rate schedule, инициализация весов, BatchNorm/LayerNorm, weight decay и dropout, клиппинг градиентов, mixed precision и диагностика неудачного запуска. 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/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.