Курс "Специалист по искусственному интеллекту". Урок 4. Линейная регрессия, метрики ошибок MAE и MSE
Четвертый урок курса «Специалист по искусственному интеллекту». Подробно разбираем математическую и практическую суть линейной регрессии. Пишем алгоритм градиентного спуска на чистом Python с использованием NumPy, учим модель прогнозировать продажи и разбираем разницу между метриками MAE и MSE. 00:00 — Определение задачи регрессии: непрерывные числовые значения 01:26 — Примеры бизнес-задач регрессии (недвижимость, автомобили, технические характеристики) 02:33 — История термина: Фрэнсис Гальтон и закон регрессии к среднему 04:17 — Суть регрессионного анализа: влияние независимых переменных 05:06 — Математическая основа линейной регрессии: уравнение прямой из 7-го класса 06:22 — Обоснование выбора простой линейной регрессии для старта 08:36 — Связь регрессии с перцептроном и глубоким обучением 09:13 — Уравнение прямой в алгебре 11:16 — Линейная регрессия в машинном обучении: веса и смещение 15:41 — Практический бизнес-кейс: зависимость продаж от рекламного бюджета 18:39 — Подготовка данных на Python: создание массивов NumPy 21:45 — Ключевые преимущества NumPy над списками: скорость, память, векторизация 25:39 — Визуализация исходных данных с помощью Matplotlib и Seaborn 33:13 — Подбор аппроксимирующей прямой вручную (метод гипотез) 36:07 — Введение в метрики ошибок: математическая оценка близости линии к точкам 38:17 — Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (MSE): формулы и суть 41:21 — Разница в штрафах: почему MSE чувствительна к крупным промахам 43:01 — Расчет MAE и MSE для «лучшей» ручной гипотезы 47:35 — Функции потерь (Loss Functions): разница между L1 Loss и L2 Loss 53:41 — Градиентный спуск: аналогия со спуском с горы в тумане 56:05 — Математическая реализация: вычисление частных производных (градиента) 58:05 — Скорость обучения (learning rate) — ключевой гиперпараметр шага 58:55 — Почему L2 Loss (MSE) идеально подходит для градиентного спуска, а L1 (MAE) — нет 01:05.32 — Пошаговая реализация градиентного спуска на чистом Python 01:25.00 — Анализ процесса обучения: снижение MSE по эпохам 01:28.00 — Сравнение результатов: ручной подбор против машинного обучения 01:31.01 — Эксплуатация модели: прогнозирование продаж для бюджета 50 тыс. руб. 01:42.00 — Разница между параметрами модели и гиперпараметрами 01:45.32 — Недостатки ручного градиентного спуска и важность масштабирования (Scaling) 01:53.30 — Модификации градиентного спуска: Стохастический (SGD) и Mini-batch 02:10.00 — Множественная линейная регрессия: когда признаков много 02:19.40 — Проблема многомерности и отбор значимых признаков на практике Рады приветствовать вас на четвертом занятии курса «Специалист по искусственному интеллекту»! Сегодня мы переходим к первому большому классу практических задач в машинном обучении с учителем — регрессионному анализу. Наша цель — разобраться, как математические концепции линейной зависимости работают внутри реального программного кода. В этом видео мы подробно разберем: – Что такое регрессия: от прогнозирования стоимости недвижимости до вычисления калорийности блюд. – Зачем сэр Фрэнсис Гальтон в XIX веке ввел понятие «регрессии к среднему» и как это связано с современным анализом данных. – От уравнения прямой из школы ($y = kx + b$) к нотации машинного обучения ($\hat{y} = wx + b$): определяем веса ($w$) и смещение ($b$). – NumPy против стандартных списков Python: наглядное сравнение производительности и потребления памяти. Почему NumPy работает в 40 раз быстрее за счет компиляции на C/Fortran и векторизации SIMD. – Как оценить «неправоту» модели: детально разбираем формулы MAE (Mean Absolute Error) и MSE (Mean Squared Error). Какую метрику выбрать под конкретные задачи бизнеса? – Разницу между метриками ошибок и функциями потерь (L1 Loss vs L2 Loss). Почему параболическая форма L2 идеально подходит для оптимизации. – Алгоритм градиентного спуска: интуитивная аналогия «спуска с горы в тумане» и математический расчет частных производных. – Настройку скорости обучения (learning rate): как этот гиперпараметр уберегает модель от бесконечного обучения или расхождения алгоритма. – Пошаговую разработку градиентного спуска на чистом Python. Мы сравним результаты ручного подбора коэффициентов прямой с машинным обучением и убедимся, насколько алгоритмы точнее человека. – Разницу между параметрами модели и гиперпараметрами. – Способы оптимизации сходимости: нормализация данных (Scaling) и продвинутые модификации градиентного спуска (SGD, Mini-batch GD). – Множественную линейную регрессию: математическая модель работы с большим количеством признаков через матричные операции. Практическая работа выполняется в интерактивной облачной среде Google Colab. Сайт автора курса: https://leolukin.ru
Четвертый урок курса «Специалист по искусственному интеллекту». Подробно разбираем математическую и практическую суть линейной регрессии. Пишем алгоритм градиентного спуска на чистом Python с использованием NumPy, учим модель прогнозировать продажи и разбираем разницу между метриками MAE и MSE. 00:00 — Определение задачи регрессии: непрерывные числовые значения 01:26 — Примеры бизнес-задач регрессии (недвижимость, автомобили, технические характеристики) 02:33 — История термина: Фрэнсис Гальтон и закон регрессии к среднему 04:17 — Суть регрессионного анализа: влияние независимых переменных 05:06 — Математическая основа линейной регрессии: уравнение прямой из 7-го класса 06:22 — Обоснование выбора простой линейной регрессии для старта 08:36 — Связь регрессии с перцептроном и глубоким обучением 09:13 — Уравнение прямой в алгебре 11:16 — Линейная регрессия в машинном обучении: веса и смещение 15:41 — Практический бизнес-кейс: зависимость продаж от рекламного бюджета 18:39 — Подготовка данных на Python: создание массивов NumPy 21:45 — Ключевые преимущества NumPy над списками: скорость, память, векторизация 25:39 — Визуализация исходных данных с помощью Matplotlib и Seaborn 33:13 — Подбор аппроксимирующей прямой вручную (метод гипотез) 36:07 — Введение в метрики ошибок: математическая оценка близости линии к точкам 38:17 — Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (MSE): формулы и суть 41:21 — Разница в штрафах: почему MSE чувствительна к крупным промахам 43:01 — Расчет MAE и MSE для «лучшей» ручной гипотезы 47:35 — Функции потерь (Loss Functions): разница между L1 Loss и L2 Loss 53:41 — Градиентный спуск: аналогия со спуском с горы в тумане 56:05 — Математическая реализация: вычисление частных производных (градиента) 58:05 — Скорость обучения (learning rate) — ключевой гиперпараметр шага 58:55 — Почему L2 Loss (MSE) идеально подходит для градиентного спуска, а L1 (MAE) — нет 01:05.32 — Пошаговая реализация градиентного спуска на чистом Python 01:25.00 — Анализ процесса обучения: снижение MSE по эпохам 01:28.00 — Сравнение результатов: ручной подбор против машинного обучения 01:31.01 — Эксплуатация модели: прогнозирование продаж для бюджета 50 тыс. руб. 01:42.00 — Разница между параметрами модели и гиперпараметрами 01:45.32 — Недостатки ручного градиентного спуска и важность масштабирования (Scaling) 01:53.30 — Модификации градиентного спуска: Стохастический (SGD) и Mini-batch 02:10.00 — Множественная линейная регрессия: когда признаков много 02:19.40 — Проблема многомерности и отбор значимых признаков на практике Рады приветствовать вас на четвертом занятии курса «Специалист по искусственному интеллекту»! Сегодня мы переходим к первому большому классу практических задач в машинном обучении с учителем — регрессионному анализу. Наша цель — разобраться, как математические концепции линейной зависимости работают внутри реального программного кода. В этом видео мы подробно разберем: – Что такое регрессия: от прогнозирования стоимости недвижимости до вычисления калорийности блюд. – Зачем сэр Фрэнсис Гальтон в XIX веке ввел понятие «регрессии к среднему» и как это связано с современным анализом данных. – От уравнения прямой из школы ($y = kx + b$) к нотации машинного обучения ($\hat{y} = wx + b$): определяем веса ($w$) и смещение ($b$). – NumPy против стандартных списков Python: наглядное сравнение производительности и потребления памяти. Почему NumPy работает в 40 раз быстрее за счет компиляции на C/Fortran и векторизации SIMD. – Как оценить «неправоту» модели: детально разбираем формулы MAE (Mean Absolute Error) и MSE (Mean Squared Error). Какую метрику выбрать под конкретные задачи бизнеса? – Разницу между метриками ошибок и функциями потерь (L1 Loss vs L2 Loss). Почему параболическая форма L2 идеально подходит для оптимизации. – Алгоритм градиентного спуска: интуитивная аналогия «спуска с горы в тумане» и математический расчет частных производных. – Настройку скорости обучения (learning rate): как этот гиперпараметр уберегает модель от бесконечного обучения или расхождения алгоритма. – Пошаговую разработку градиентного спуска на чистом Python. Мы сравним результаты ручного подбора коэффициентов прямой с машинным обучением и убедимся, насколько алгоритмы точнее человека. – Разницу между параметрами модели и гиперпараметрами. – Способы оптимизации сходимости: нормализация данных (Scaling) и продвинутые модификации градиентного спуска (SGD, Mini-batch GD). – Множественную линейную регрессию: математическая модель работы с большим количеством признаков через матричные операции. Практическая работа выполняется в интерактивной облачной среде Google Colab. Сайт автора курса: https://leolukin.ru