Узнайте в семи Jupyter Notebook, как регрессия превращает размеченные данные в числовые прогнозы. Вы пройдёте от понятия обучения с учителем к наименьшим квадратам, полиномиальным признакам, сравнению по ошибке и регуляризации Ridge и LASSO.
Курс сочетает вывод формул с Python и scikit-learn. Примеры с жильём, вакцинами, Bitcoin и матрицами учат подгонять кривые, оценивать прогнозы, замечать вредную сложность и понимать изменение коэффициентов при регуляризации.
Чему вы научитесь
- Различать обучение с учителем, регрессию и классификацию
- Выводить наименьшие квадраты и реализовывать линейную регрессию в NumPy
- Подбирать линейные модели для жилья Бостона и Пекина
- Оценивать прогнозы жилья и изучать коэффициенты
- Создавать полиномиальные признаки, сравнивать модели и выбирать степень по ошибке
- Подбирать полиномы третьей и более высокой степени к Bitcoin 2010–2018
- Объяснять плохо обусловленные наименьшие квадраты и сравнивать Ridge с LASSO
- Вычислять коэффициенты Ridge напрямую и сравнивать со scikit-learn
Для кого этот курс
Курс предназначен для пользователей Python, желающих понимать регрессию, а не считать estimators чёрными ящиками. Он подходит для начала обучения с учителем и связи формул, матриц, графиков и API. Выводы и задания требуют больше, чем первый день Python.
Предварительные требования: Рекомендуются Python, NumPy, Pandas, графики, алгебра и простые матричные операции. Полезны train/test-данные и функции; опыт регрессии не нужен.
Учебная среда: Семь занятий выполняются в Ubuntu 22.04 Jupyter с объяснениями, визуализациями, данными, примерами и незавершённым кодом.
Часто задаваемые вопросы
Формулы выводятся или используется только scikit-learn?
И то и другое. Вы вычисляете наименьшие квадраты и Ridge, реализуете шаги в NumPy и SciPy и сравниваете со scikit-learn.
Какие примеры прогнозирования включены?
Жильё Бостона и Пекина, данные вакцин, исторический Bitcoin и матрица Гильберта, показывающая нестабильность.
Как оцениваются модели?
С помощью отложенных данных, графиков, средней абсолютной и среднеквадратичной ошибки; сравниваются разные степени полинома.
Лаборатория Bitcoin прогнозирует текущие цены или даёт финансовые советы?
Нет. Это подгонка кривых к данным 2010–2018 для практики регрессии, а не живая система или инвестиционный инструмент.
