Математические основы линейных моделей машинного обучения

Уровень 0 · материалов: 3

В кластер входят документы, посвященные техническому и математическому описанию линейных моделей регрессии и классификации, и не входят материалы, не затрагивающие основы построения таких моделей.

Общие признаки: линейная регрессия, математический аппарат машинного обучения, регуляризация, технические руководства по моделям

Группа выше: Методы обучения и оптимизации моделей

Материалы

• #22129 — Basic Principles of Machine Learning via Linear Regression — Представитель этого кластера

  Базовые принципы машинного обучения на примере линейной регрессии — mephistopheies

  Смысл: The main idea is to demystify machine learning basics by showing the mathematical and practical transition from simple linear regression to regularized polynomial models and their Bayesian foundations.

  An educational guide explaining linear and polynomial regression, overfitting, L1/L2 regularization, and Bayesian statistics through Python implementations.

• #27739 — Linear Models for Classification and Regression in Machine Learning

  Открытый курс машинного обучения. Тема 4. Линейные модели классификации и регрессии — yorko

  Смысл: The text provides a comprehensive technical guide on linear models for classification and regression. It bridges the gap between theoretical statistics (Maximum Likelihood, Gauss-Markov theorem) and practical machine learning implementation using Python and Scikit-Learn, emphasizing the importance of regularization and diagnostic tools like learning curves.

  A comprehensive technical guide explaining the mathematics and Python implementation of linear and logistic regression, focusing on regularization, the bias-variance tradeoff, and model diagnostics.

• #28612 — Math for Neural Networks Part 1: Linear Regression

  Математика для искусственных нейронных сетей для новичков, часть 1 — линейная регрессия — m9_psy

  Смысл: The text serves as an introductory technical guide to the mathematics behind neural networks, specifically focusing on linear regression and the Method of Least Squares as the foundational building blocks for understanding how models learn from data.

  A technical guide explaining the mathematical foundations of linear regression and the method of least squares using Python to prepare beginners for understanding neural networks.