Доступно [Stepik] Машинное обучение: Метрики качества классификации и регрессии (Сергей Спирёв)

​

Добрый день! Меня зовут Сергей Спирёв, и я являюсь автором данного курса.

Когда я только начинал свой путь в изучении машинного обучения, тема метрик качества была для меня какой-то «головоломной». Вроде бы и нет в ней какого-то совсем уж сложного математического аппарата, но когда в неё углубляешься, то в голове каша и винегрет из понятий, формул, терминов. А когда её ещё и преподносят в академической форме, то тут уж совсем тоска зелёная.

Но тема метрик качества является одной из основополагающих в машинном обучении. Это фундамент, на котором строится всё машинное обучение с точки зрения применимости и полезности моделей на практике. И хорошо разбираться в этом вопросе – это важный момент.

Как понять, ваша модель «умная» или «глупая»? Понять это можно, только посмотрев на её ошибки и оценки качества. Хорошо, посмотрели на оценки качества – результат получился супер. Отлично! Но подходит ли та метрика качества, которую вы применили к вашей модели, или она не учитывает важные особенности ваших данных?

На эти вопросы специалист по машинному обучению должен уметь отвечать.

Скажу также, что по своей натуре я не являюсь теоретиком. Я предпочитаю, когда теория соединяется с практикой. Через практику я могу понять больше, чем из сухих формул.

Этот же подход я применяю в подготовке обучающего материала. Я не теоретизирую много, стараюсь не углубляться туда, куда не нужно углубляться с точки зрения здравого смысла и практической применимости. А также пытаюсь сложные понятия перевести на простой человеческий язык.

Материала, предоставленного в курсе будет достаточно, чтобы приобрести надёжную базу, на которую впоследствии вы можете наслаивать новые знания в такой интересной области, какой является машинное обучение.

Для кого этот курс
Курс для тех, кто уже делает первые шаги в изучении машинного обучения, но желает глубже изучить вопросы оценки качества моделей с использованием инструментов библиотеки Scikit-learn.