В предыдущей статье мы начали говорить о темах и ресурсах, которые помогут вам строить модели, а сегодня мы добавим больше методов в ваш набор инструментов для алгоритмов, изучая машинное обучение, линейную и логистическую регрессии.

Линейная и логистическая регрессии: эти методы считаются наиболее широко используемыми моделями в промышленности и научных кругах благодаря хорошим свойствам математической простоты, вычислительной эффективности и интуитивной интерпретации. вам нужно узнать, как модели реализуются с использованием градиентного спуска. вам также нужно будет охватить методы, когда предположения модели нарушаются.

Следующие пункты должны быть вашей целью при изучении линейной и логистической регрессии:

  • Понять, как мотивированы целевые функции моделей линейной и логистической регрессии.
  • Понимать вероятностный подход моделей линейной и логистической регрессии: оценка максимального правдоподобия целевых функций.
  • Понимание регуляризации для линейной и логистической регрессии: L1, L2 и смешанной.
  • Подробно изучите стохастический градиентный спуск, его математику и способы его эффективной реализации для наборов данных в памяти Gigabyte, как разреженных, так и плотных.
  • Изучите эвристики для практической работы SGD, такие как инициализация и выбор скорости обучения.

Пара очень хороших чтений (и математически строгих) по этой теме:

  • Введение в статистическое обучение (главы 3, 4.3) (бесплатный PDF-файл доступен в Интернете)
  • Бишоп, распознавание образов и машинное обучение (главы 3 и 4)

На данный момент у вас есть основы машинного обучения, обработки данных и математических концепций, необходимых для перехода к более сложным темам.

После того, как вы закончите с этим. вам нужно начать изучать концепции глубокого обучения (надеюсь, я смогу опубликовать кое-что об этом в другой истории или постах, следите за обновлениями!)

Если вам нравится проходить курсы, это хорошие курсы и ресурсы:

Резюме.в этой части мы рассмотрели то, что вам нужно знать в контексте линейной и логистической регрессии, а также некоторые полезные ресурсы, которые помогут вам понять концепции этой части как а также другие части предыдущих блогов. В следующей статье мы поговорим о концепциях и ресурсах глубокого обучения, которые помогут вам понять их правильно.