Серьезно отношусь к образованию, и имею строгий взгляд на оценку преподавательских навыков. Так вот, вы изумительны) Всё наглядно и с пояснениями. Затягивает. Считаю, Ваш курс способен завлечь в изучение темы, а это, возможно, самое важное в учителе. Спасибо за Ваш труд! Надеюсь как можно больше людей, начинающих интересоваться машинным обучения, насладится Вашим курсом.
вообще не ясно как ты сюда добрался без нее, не говоря что ты 100% там что то программируешь, если честно можно почитать книги годов 60х и увидеть что и там тоже была математика, ане как программирования на пайтон или джаваскрипте) так сказать радуйся бездарь, раньше по мимо матана, язык для машинного обучения был лисп ) стоит зайти и посмотреть что это, и будешь очень рад что технологии стали проще, так как если бы ты жил в те года, хаха я думаю ты бы сразу отказался от идеи стать программистом, так что забудь про свой желанный успех, иди матан учи)
Я уверен, что курс идеальный. А пока я иду учить и понимать математику, тренироваться считать: да-да, у меня проблемы с арифметикой, если на абакусе или счётах я могу только складывать, вычитать и немного умножать, то в жизни использую только некоторые правила при счёте, например, "прибавь и вычти n" 27 + 56 = 30 + 53 = 83..
Отлично , ждал от вас такого курса )) Точней мечтал, с вашими знаниями получится отличный курс, да веб хорошо, но он не раскрывает ваш уровень полностью)
2:26 3:05 4:24 Задачи машинного обучения 4:34 задачи классификации - когда входные данные требуется отнести к тому или иному классу 4:53 задачи регресии - делаются прогнозы в виде вещественных чисел на основе входных данных 5:13 задачи ранжирования - упорядочивание по некоторому критерию входного набора данных 5:55 Обучающая выборка 6:24 векторы 7:20 матрицы 8:15 выходные данные (целевые значения) 9:17 формула полностью размеченных данных (обучающая выборка) 9:43 обработка сложных объектов с помощью алгоритмов (до появления глубоких нейронных сетей), выделение вторичных признаков 10:46 функциональное преобразование 11:35 новое признаковое пространство F
На работе сегодня сказали, что я веду курс по машинке при школе программирования нашей компании (это конечно абсурд). А я вообще не в зуб ногой в этой теме) спасибо Сергею за материал, сижу вот после работы изучаю.
Отлично читает автор! Чувствуется проф.подход! Спасибо за труд! Выглядит неимоверно круто (это третий ролик, который я посмотрел на канале). Надеюсь, руки и глаза дойдут плотно заняться изучением. Интерес есть. Спасибо ещё раз!
лайкусик однозначно) математику надо вспоминать, а что то и подучить) но думаю по ходу смогу понять, что к чему) баловался нейронками) ну не все понимаю) надеюсь тут разжуют мне тупенькому)
3:32 строго говоря можно попробовать выбить контура этих объектов а потом посчитать семь моментов и сравнить с изображением эталоном, но, конечно, будет работать плоховато.
Просто комментарий чтобы видео чаще рекомендовали. Спасибо за курс. Было бы классно если бы вы дали материалы по вероятностям матрицам и т.д. но я так понимаю вы это всё в универе выучили)
@@selfedu_rus Посмотреть в учебнике можно. Но когда вы объсняете, можно ещё и понять 🙂На самом деле после вашего курса по основам Python на Stepik'e решил пересмотреть все ваши ролики на UA-cam. Спасибо за курс, картинка начинает складываться.
Блин, 16 лет, решил сесть за ML, прошел линейную алгебру, дефференцирование сложных функций, а понятного материала по матричному дефференцированию найти не могу, ещё в 10 классе, приходится в интернете изучать, может кто подскажет ролики какие-то по матричному деф-ю, помогло бы.
@@TurboGamasek228 купил учебник по информатике , где похожие значки нарисованы. Очень радовался покупке. Неделю читал и записывал выводы. Потом заметил, что не все ответы на мои вопросы в этой книге были отвечены. Новую книгу не искал .
Здравствуйте уважаемый Сергей,можете пожалуйста подсказать, что лучше учить, машиное обучение или нейроные сети или генетический алгоритм или это нужно все вместе выучить. Прсото я вот не знаю двигать только в одном направление или все выучить
Почему в случае m-мерной регрессии целевое значение y принадлежит R^m? Объект из обучающей и тестовой выборки будет многомерным (то есть вектором) и гиперплоскоть тоже. Но мы же предсказываем значение, то есть действительное число? Просто если y принадлежит R^m, то получается, что мы предсказываем вектор.
например, делаем прогноз сразу по нескольким графикам кросс-валют на бирже форекс, тогда на выходе не одно значение, а несколько - по числу графиков; можно подумать и придумать другие задачи, где тоже вполне может быть несколько выходных, а не одно (в автопилотах, кстати тоже - там векторная марковская последовательность)
попробуйте полистать "Глубокое обучение без математики. Том 1. Основы - Эндрю Гласснер (2019)" её хоть и ругают, но она доходчивые всех видео, т.к. в видео вы не можете регулировать темп восприятия нового, а при чтении или пролистывании можете.
Спасибо! Стало немного понятней как в принципе происходит машинное сравнение данных. Но это не значит, что, если я захочу на своей камере что-то распознавать мне с начало надо будет выучить Алгебру? Или все же достаточно будет приблизительно знать, как это работает и дальше пользоваться питоном?
Если стандартные пакеты будете использовать, то достаточно понимания в целом. Если разрабатывать собственные алгоритмы для конкретных задач, то, конечно, математика must have!
Вы не могли бы перезалить первый ролик из этого плейлиста? Сейчас его невозможно посмотреть. "Оно содержит материалы партнера SME. Он заблокировал ролик в вашей стране из-за нарушения авторских прав"
Спасибо. Поискал в других местах, но не смог найти, что бы также обозначали сокращенное описание матрицы. Обычно такое обозначение использовано для нормы
Сергей, спасибо Вам за начало ещё одного невероятно интересного курса! Подскажите, пожалуйста, существуют ли такие архитектуры нейросетей, в которых этапы обучения и эксплуатации нераздельны? Гипотетический пример: робот-пылесос убирает квартиру, запоминает интерьер, по эмоциям хозяина делает выводы, нравится ли тому или нет его работа, запоминает удачные варианты. То есть мы не обучаем сеть предварительно на мощном компьютере, не готовим никаких размеченных данных, а обучение происходит в процессе эксплуатации сети.
Спасибо! С роботом не совсем так просто. Он обучен правильно позиционироваться, перемещаться (правда, это не нейросеть, другие алгоритмы). Распознавание эмоций- это уже классическое обучение. Потом все это используют при эксплуатации. Так что в вашем примере тоже есть и этап обучения и этап эксплуатации.
@@selfedu_rus спасибо за ответ! Но в том и мой вопрос: что за архитектура, которая может самостоятельно обучаться? Ведь даже автоэнкодер нужно предварительно обучать. Есть ли такие архитектуры, которые в процессе эксплуатации обучаются самостоятельно? Может это какая-нибудь кластеризация образов? В моём гипотетическом примере, скажем, роботу говорят: " вот шкурка от банана, ее не виягивай, а то сломаешься!" Но шкурки от бананов разные бывают: и недоспевшие, и переспевшие, и т.д. То есть робот должен у себя в памяти сформировать целый кластер образов банановых шкурок, чтобы затем качественно распознавать этот предмет.
@@selfedu_rus Сергей, большое Вам спасибо за ответ, Вы настоящий преподаватель! Пожалуйста, продолжайте свой труд, и пусть это приносит Вам достойный доход!
@@artemvasilevich5109 //вот шкурка от банана, ее не виягивай, а то сломаешься// - если вы хотите чему-то обучить нейросеть, вы должны сформировать представительный датасет, где "вот шкурка от банана, ее не виягивай, а то сломаешься" представлена достаточным кол. элементов обучающей выборки. Нейронную сеть "программирует" обучающая выборка, а не архитектура или метод обучения. Архитектура и метод обучения лишь ускоряют или замедляют схождение сети к оптимуму в многомерном пространстве состояний функционала ошибки. Машинное обучение это минимизация функционала ошибки. Появление новых примеров в датасете требует дообучения или переобучения. Никаких других правильных путей нет. Есть неправильные, когда начинают руками конструировать архитектуры нейросетей, которые имитируют работу *символического* ИИ в результате получаются автопилоты как у Теслы, которые вот вот скоро скоро научат автономному вождению. Андрей Карпаты - архитектор автопилота теслы это понимает, но ничего сделать не может, т.к. это компромисс между текущем уровнем аппаратного обеспечения нейросетей и сложностью решаемой задачи.
Ребята подскажите пожалуйста, изучаю Питон, хотел вначале бэкендом заняться но последнее время машинное обучение нравится. Посмоветуйте, может после основ програмирования сразу перейти на изучение машинного обучения? это будет правильной стратегией? спасибо
Автор подскажите пожалуйста, есть такая задача - разработать алгоритм ранжирования хоккейных команд по дивизионам. У меня есть данные игроков разных команд, за разное время, есть данные о играх соответственно. Понимаю, что нужно придумать оценку рейтинга всех команд и тд. Но вот начинаю втягивается в эту тему, но пока не могу понять к какой теме LM отнести мою задачу, это задача ранжирования?
8:22 Нет путаницы с индексами? Насколько я понимаю, вектор выходных значений должен быть той же размерности, что и выборка, а в видео: X_l но Y_m. И вообще индекс l ("эль") - очень неудачный, легко путается с 1 и I ("Ай"). Или так исторически в литературе по ML дают?
Все верно, у нас l (эль) векторов x, каждый размерностью в n признаков. Выбор l не мой, так часто в источниках пишут, решил сохранить для соответствия обозначений.
Партнёр sme запретил смотреть это видео в раше, слава vpn. Нагуглил что sme это sony music. Но я не нашел стороней музыки, значит жаловался какой-то из 2х представленых каналов или книги?
Серьезно отношусь к образованию, и имею строгий взгляд на оценку преподавательских навыков. Так вот, вы изумительны) Всё наглядно и с пояснениями. Затягивает. Считаю, Ваш курс способен завлечь в изучение темы, а это, возможно, самое важное в учителе.
Спасибо за Ваш труд! Надеюсь как можно больше людей, начинающих интересоваться машинным обучения, насладится Вашим курсом.
Ну наконец-то с Python DEF разобрался более или менее!!!СпасибоС ума сойти!Как это все поместилось в в Вашей голове!Однозначно подписка и спасибо!!!
так нам нужен срочно курс по математике)))
Да, и особенно по Общей Алгебре :)
Ну этот совсем база, мужики. Классика, как детерминант матрицы.
вообще не ясно как ты сюда добрался без нее, не говоря что ты 100% там что то программируешь, если честно можно почитать книги годов 60х и увидеть что и там тоже была математика, ане как программирования на пайтон или джаваскрипте) так сказать радуйся бездарь, раньше по мимо матана, язык для машинного обучения был лисп ) стоит зайти и посмотреть что это, и будешь очень рад что технологии стали проще, так как если бы ты жил в те года, хаха я думаю ты бы сразу отказался от идеи стать программистом, так что забудь про свой желанный успех, иди матан учи)
@@superstarro Ну тут еще АнГеом и ЛинАл)
@@superstarroКакие мы злые, видимо учебником по математике в детстве били
Прекрасный цикл по ML, смотрю ваши видео недавно, прекрасно информативные видео! Очень детальные, и полны информацией. Продолжайте в том же духе!
Я уверен, что курс идеальный. А пока я иду учить и понимать математику, тренироваться считать: да-да, у меня проблемы с арифметикой, если на абакусе или счётах я могу только складывать, вычитать и немного умножать, то в жизни использую только некоторые правила при счёте, например, "прибавь и вычти n" 27 + 56 = 30 + 53 = 83..
тоже самое
Как я рада вашему каналу. Благ вам и новых идей и возможностей для новых видео
Отлично , ждал от вас такого курса )) Точней мечтал, с вашими знаниями получится отличный курс, да веб хорошо, но он не раскрывает ваш уровень полностью)
Ой, как здорово, что у вас будет такой курс - огромное спасибо!!
Как здорово что вы разбираете мо! Огромная благодарность!!!
2:26
3:05
4:24 Задачи машинного обучения
4:34 задачи классификации - когда входные данные требуется отнести к тому или иному классу
4:53 задачи регресии - делаются прогнозы в виде вещественных чисел на основе входных данных
5:13 задачи ранжирования - упорядочивание по некоторому критерию входного набора данных
5:55 Обучающая выборка
6:24 векторы
7:20 матрицы
8:15 выходные данные (целевые значения)
9:17 формула полностью размеченных данных (обучающая выборка)
9:43 обработка сложных объектов с помощью алгоритмов (до появления глубоких нейронных сетей), выделение вторичных признаков
10:46 функциональное преобразование
11:35 новое признаковое пространство F
Ждал этого проекта год. Благодарен вам, удачи в дальнейших видео!
Очень понятно и интересно. Спасибо, Сергей!)
На работе сегодня сказали, что я веду курс по машинке при школе программирования нашей компании (это конечно абсурд). А я вообще не в зуб ногой в этой теме) спасибо Сергею за материал, сижу вот после работы изучаю.
А что за компания и школа?
Если у вас 1 урок не запустился переходите на 2 урок и вернитесь на 1 урок, у меня это сработала.
То, что я искала, Спасибо!
Круто, ждём продолжения, спасибо
буду ждать еще уроков, большое спасибо за работу
Отлично читает автор! Чувствуется проф.подход! Спасибо за труд! Выглядит неимоверно круто (это третий ролик, который я посмотрел на канале). Надеюсь, руки и глаза дойдут плотно заняться изучением. Интерес есть.
Спасибо ещё раз!
Спасибо за новый плейлист, ждём новых видео;)
Спасибо большое за курс, очень интересна тема машинного обучения)
Благодарю вас!
Жду, жду следующие выпуски. Круто, то что надо! Спасибо!
лайкусик однозначно) математику надо вспоминать, а что то и подучить) но думаю по ходу смогу понять, что к чему) баловался нейронками) ну не все понимаю) надеюсь тут разжуют мне тупенькому)
3:32 строго говоря можно попробовать выбить контура этих объектов а потом посчитать семь моментов и сравнить с изображением эталоном, но, конечно, будет работать плоховато.
Просто комментарий чтобы видео чаще рекомендовали. Спасибо за курс. Было бы классно если бы вы дали материалы по вероятностям матрицам и т.д. но я так понимаю вы это всё в универе выучили)
Спасибо! Ну это уже просто математика - в любом учебнике можно посмотреть.
@@selfedu_rus Посмотреть в учебнике можно. Но когда вы объсняете, можно ещё и понять 🙂На самом деле после вашего курса по основам Python на Stepik'e решил пересмотреть все ваши ролики на UA-cam. Спасибо за курс, картинка начинает складываться.
Thank you very much
Давай больше видео!!!!!!
Очень хорошо!
Большое спасибо!
Спасибо!
да курс бомба и мне понравилос
Благодарю!
будете ли вы добавлять курс на степик?
Блин, 16 лет, решил сесть за ML, прошел линейную алгебру, дефференцирование сложных функций, а понятного материала по матричному дефференцированию найти не могу, ещё в 10 классе, приходится в интернете изучать, может кто подскажет ролики какие-то по матричному деф-ю, помогло бы.
ua-cam.com/video/Xx0whf6EWwQ/v-deo.html
9 класс, думаю вернусь сюда попозже
Ja die schöne Mathematik, придётся браться за математику . До этого избегал прямого контакта . ))
Зря ))
и че как?
@@TurboGamasek228 купил учебник по информатике , где похожие значки нарисованы. Очень радовался покупке. Неделю читал и записывал выводы. Потом заметил, что не все ответы на мои вопросы в этой книге были отвечены. Новую книгу не искал .
👍👍👍👍👍
Здравствуйте уважаемый Сергей,можете пожалуйста подсказать, что лучше учить, машиное обучение или нейроные сети или генетический алгоритм или это нужно все вместе выучить. Прсото я вот не знаю двигать только в одном направление или все выучить
Курс "Машинное обучение" - это база, первый в области ИИ. А дальше специализация: кому что нужно, тот то и изучает.
Спс
Уважаемый selfedu, а есть у вас дорожная карта по математике для этого курса ,с азов так сказать .
Ну, такого, думаю ни у кого нет )) Общее - это школа + вуз (вышка).
Курс по python закончен и его можно смотреть?
да
Почему в случае m-мерной регрессии целевое значение y принадлежит R^m? Объект из обучающей и тестовой выборки будет многомерным (то есть вектором) и гиперплоскоть тоже. Но мы же предсказываем значение, то есть действительное число? Просто если y принадлежит R^m, то получается, что мы предсказываем вектор.
например, делаем прогноз сразу по нескольким графикам кросс-валют на бирже форекс, тогда на выходе не одно значение, а несколько - по числу графиков; можно подумать и придумать другие задачи, где тоже вполне может быть несколько выходных, а не одно (в автопилотах, кстати тоже - там векторная марковская последовательность)
какие курсы на youtube или stepik вы посоветуете по теории вероятности и мат статистике вы посоветуете?
Я все это учил по классике в вузе, честно, на ютубе или еще где-либо не смотрел.
попробуйте полистать "Глубокое обучение без математики. Том 1. Основы - Эндрю Гласснер (2019)" её хоть и ругают, но она доходчивые всех видео, т.к. в видео вы не можете регулировать темп восприятия нового, а при чтении или пролистывании можете.
Спасибо! Стало немного понятней как в принципе происходит машинное сравнение данных. Но это не значит, что, если я захочу на своей камере что-то распознавать мне с начало надо будет выучить Алгебру? Или все же достаточно будет приблизительно знать, как это работает и дальше пользоваться питоном?
Если стандартные пакеты будете использовать, то достаточно понимания в целом. Если разрабатывать собственные алгоритмы для конкретных задач, то, конечно, математика must have!
@@selfedu_rus Вы в будущих роликах раскажете в каких ситуциях достаточно стандартных пакатов а в каких надо будет делать свои
@@ernisesama1636 это из практики становится ясно
Это намного лучше Воронцова. Воронцов по сравнению с Вами - ничто :)
Вы не могли бы перезалить первый ролик из этого плейлиста? Сейчас его невозможно посмотреть.
"Оно содержит материалы партнера SME. Он заблокировал ролик в вашей стране из-за нарушения авторских прав"
См. его в ТГ-канале по ML (ссылка под видео)
@selfedu подскажите, а почему на 11:42 в обозначениях использована норма матрицы?
нет, это сокращенное описание матрицы с указанием ее размеров
Спасибо. Поискал в других местах, но не смог найти, что бы также обозначали сокращенное описание матрицы. Обычно такое обозначение использовано для нормы
@@TheAlprowПросвещайтесь: scask.ru/a_book_matrix.php?id=3
@@selfedu_rus спасибо. Самое сложное в математике, это понять, что обозначают использованные знаки) они почему то везде разные
Сергей, спасибо Вам за начало ещё одного невероятно интересного курса! Подскажите, пожалуйста, существуют ли такие архитектуры нейросетей, в которых этапы обучения и эксплуатации нераздельны? Гипотетический пример: робот-пылесос убирает квартиру, запоминает интерьер, по эмоциям хозяина делает выводы, нравится ли тому или нет его работа, запоминает удачные варианты. То есть мы не обучаем сеть предварительно на мощном компьютере, не готовим никаких размеченных данных, а обучение происходит в процессе эксплуатации сети.
Спасибо! С роботом не совсем так просто. Он обучен правильно позиционироваться, перемещаться (правда, это не нейросеть, другие алгоритмы). Распознавание эмоций- это уже классическое обучение. Потом все это используют при эксплуатации. Так что в вашем примере тоже есть и этап обучения и этап эксплуатации.
@@selfedu_rus спасибо за ответ! Но в том и мой вопрос: что за архитектура, которая может самостоятельно обучаться? Ведь даже автоэнкодер нужно предварительно обучать. Есть ли такие архитектуры, которые в процессе эксплуатации обучаются самостоятельно? Может это какая-нибудь кластеризация образов? В моём гипотетическом примере, скажем, роботу говорят: " вот шкурка от банана, ее не виягивай, а то сломаешься!" Но шкурки от бананов разные бывают: и недоспевшие, и переспевшие, и т.д. То есть робот должен у себя в памяти сформировать целый кластер образов банановых шкурок, чтобы затем качественно распознавать этот предмет.
Это не архитектура, а метод обучения (без обучающей выборки). Можно посмотреть в сторону обучения без учителя и обучение с подкреплением.
@@selfedu_rus Сергей, большое Вам спасибо за ответ, Вы настоящий преподаватель! Пожалуйста, продолжайте свой труд, и пусть это приносит Вам достойный доход!
@@artemvasilevich5109 //вот шкурка от банана, ее не виягивай, а то сломаешься// - если вы хотите чему-то обучить нейросеть, вы должны сформировать представительный датасет, где "вот шкурка от банана, ее не виягивай, а то сломаешься" представлена достаточным кол. элементов обучающей выборки. Нейронную сеть "программирует" обучающая выборка, а не архитектура или метод обучения. Архитектура и метод обучения лишь ускоряют или замедляют схождение сети к оптимуму в многомерном пространстве состояний функционала ошибки. Машинное обучение это минимизация функционала ошибки. Появление новых примеров в датасете требует дообучения или переобучения. Никаких других правильных путей нет. Есть неправильные, когда начинают руками конструировать архитектуры нейросетей, которые имитируют работу *символического* ИИ в результате получаются автопилоты как у Теслы, которые вот вот скоро скоро научат автономному вождению. Андрей Карпаты - архитектор автопилота теслы это понимает, но ничего сделать не может, т.к. это компромисс между текущем уровнем аппаратного обеспечения нейросетей и сложностью решаемой задачи.
Ребята подскажите пожалуйста, изучаю Питон, хотел вначале бэкендом заняться но последнее время машинное обучение нравится. Посмоветуйте, может после основ програмирования сразу перейти на изучение машинного обучения? это будет правильной стратегией? спасибо
Математика только нужна, если знаешь синтаксис языка, то этого вполне хватит
Автор подскажите пожалуйста, есть такая задача - разработать алгоритм ранжирования хоккейных команд по дивизионам. У меня есть данные игроков разных команд, за разное время, есть данные о играх соответственно. Понимаю, что нужно придумать оценку рейтинга всех команд и тд. Но вот начинаю втягивается в эту тему, но пока не могу понять к какой теме LM отнести мою задачу, это задача ранжирования?
Или это скорее всего задача классификации
Какие курсы/учебники посоветуете по мат.статистике и теории вероятности(для гуманитариев)?
Спасибо.
Е.С. Вентцель "Теория вероятностей"
ага, иди нормально математику учи с 0, 2 года минимум для нужной базы
8:47 Y принадлежит {0,1}^M это получается бинарная классификация в m-мерном пространстве?
8:22 Нет путаницы с индексами? Насколько я понимаю, вектор выходных значений должен быть той же размерности, что и выборка, а в видео: X_l но Y_m. И вообще индекс l ("эль") - очень неудачный, легко путается с 1 и I ("Ай"). Или так исторически в литературе по ML дают?
Все верно, у нас l (эль) векторов x, каждый размерностью в n признаков. Выбор l не мой, так часто в источниках пишут, решил сохранить для соответствия обозначений.
Партнёр sme запретил смотреть это видео в раше, слава vpn. Нагуглил что sme это sony music. Но я не нашел стороней музыки, значит жаловался какой-то из 2х представленых каналов или книги?
у меня это видео показывается (в раше)
Заметил, что вы говорите вещественные, а не действительные числа. Это питерская мат. школа?
Мы в Москве называем действительными.
Это, скорее, программистская школа, там дробные числа вещественные )
Охренеть - сложно!!
17 сен 2022
Ну как что нового?
Зачем я это смотрю.