Все 421 тема
школы, до единой.

Темы модуля

1. Исходный код CPython и знакомство с GitHub
2. Скачиваем релиз
3. Установка ПО
4. Приглашение в организацию
5. Устанавливаем CPython из исходников
6. Устанавливаем pip и прописываем переменные среды
7. Учимся запускать файлы с помощью PyPy и CPython
8. Устанавливаем Python с официального сайта
9. Клонирование репозитория и начало работы
10. Настраиваем конфигурационный файл линтеров
11. Тестируем линтеры на ошибки
12. Что такое ipynb?
13. Современный стандартный файл конфигурации для Python-проектов
14. Создаём виртуальное окружение и выгружаем зависимости
15. Пакетный менеджер для Data Science
16. Пакетный менеджер нового поколения
17. Вносим файлы в .gitignore
18. Коммитим и пушим в GitHub
19. STASH, откаты, конфликты, командная работа в GitHub
20. Фундаментальная база по CI/CD
21. Ищем проект в GitHub и изучаем соглашение о коммитах
22. Начинаем процедуру ревью кода
23. Обзор функций GitHub
24. Ведение документации
25. Минимум по GitHub
26. Environment
27. Введение в анализ алгоритмов: time complexity / space complexity
28. Смотрим глазами интерпретатора
29. Обзор grep
30. Методология Test Driven Development. Разработка через тестирование
31. Рефакторинг | Улучшаем код, без написания нового функционала
32. Методология Behavior Driven Development. Разработка через поведение
33. SOLID, DRY, KISS
34. Паттерны проектирования: Singleton
35. Методология управления проектами: Agile, Scrum, Kanban

Домашняя работа

1. STASH
2. Виртуальное окружение
3. Контрибьютинг в Open Source
4. issues
5. Cpython
6. Commits
7. git
8. Quiz (базовые вопросы)

Темы модуля

1. как писать чистый код на python
2. статической типизация на python
3. Переменные в Питоне
4. Типы данных
5. Условия и циклы
6. Дата и время
7. Функции в Питоне
8. Списки, кортежи и множества
9. Словарь в Питоне
10. ООП. Классы и объекты
11. Итераторы и генераторы
12. Декораторы

Домашняя работа

1. jupytext
2. docformatter
3. black
4. pyupgrade
5. isort
6. codespell
7. flake8
8. mypy
9. pylint

Темы модуля

1. Имплементация на Python
2. Функция потерь
3. Математический анализ
4. Геометрический и физический смысл производной
5. Дифференциал и нотация Лейбница
6. Производная по определению через предел
7. Частная производная
8. Получаем формулу МНК с нуля
9. Частные производные от функции потерь
10. Теория рядов
11. Выводим формулу МНК
12. Линейная алгебра
13. Метод Крамера и система линейных алгебраических уравнений (СЛАУ)
14. Интерпретация формулы МНК
15. Смысл формулы МНК
16. Интерполяция и аппроксимация
17. Линейная регрессия на Python с нуля
18. Scikit-learn: linear regression
19. Корреляционно-регрессионный анализ

Домашняя работа

1. Статья ноутбуки Kaggle
2. Пайплайн с нуля (Boston)
3. Топик дискуссия
4. Вывод формулы нормального уравнения

Темы модуля

1. Сравнение простой и множественной регрессии
2. Реверс-инжиниринг кода (Python + sklearn)
3. Параметры метода, фильтрация данных
4. z-score: масштабирование признаков
5. train_test_split: тестовая, обучающая выборка
6. Математическое обоснование метода "insert"
7. Формы записи уравнения линейной регресии
8. Нормальное уравнение
9. Обратная матрица
10. Определитель
11. Миноры
12. Дополнения
13. Правило Саррюса
14. Правило треугольников
15. Ранг матрицы
16. Линейная независимость
17. Вырожденная матрица
18. Линейная комбинация
19. Коллинеарность и мультиколлинеарность
20. Матрица корреляции
21. Регуляризация
22. L1 vs L2 норма
23. Матричное дифференцирование
24. Система линейных алгебраических уравнений
25. Метод Гаусса
26. Геометрическая интерпретация метода наименьших квадратов
27. Ортогональная проекция на столбцовое пространство матрицы
28. Коэффициент детерминации R2 (SSR / SST)
29. Корреляционно-регрессионный анализ

Домашняя работа

1. Вывод нормального уравнения
2. Тестирование Яндекс
3. Тестирование от Deep
4. Геометрическая интерпретация OLS
5. Экзамен 4 блок-схемы
6. Прочитать метод Сенаторова
7. Дискуссия Kaggle
8. Описательная статистика
9. Статистический вывод
10. Взаимосвязь переменных
11. Оптимизация: поиск идеальных весов
12. Векторы и матрицы
13. На каких данных обучать модель
14. Предскажем цену на жилье Boston

Темы модуля

1. Сравнение метода INV и PINV. Псевдообратная матрица Мура-Пенроуза
2. Изучаем библиотеку Linear algebra (numpy.linalg)
3. Математическое обоснование применения PINV вместо INV
4. Сингулярная и обратная матрица. Детерминант. Мультиколлинеарность
5. Изучаем метод PINV (SVD): псевдообратная матрица Мура-Пенроуза
6. Понятие вектора
7. Понятие алгебраической структуры
8. Полугруппа
9. Моноид
10. Группа. Группа подстановок. Симметрическая группа S3
11. Абелева группа. Коммутативная группа
12. Кольцо
13. Поле
14. Векторное пространство
15. Евклидово пространство
16. Линейный оператор. Линейная трансформация / преобразования
17. Базис: ортонормированный, ортогональный, аффинный. Коллинеарность
18. Гомотетия: частный случай преобразования подобия
19. Виды преобразований
20. Основные понятия
21. Геометрическая интерпретация
22. Формальное определение
23. Собственный вектор и значение линейного преобразования
24. Алгоритм нахождения собственных чисел и векторов
25. Матрица 2x2: алгоритм нахождения eigenvalue & eigenvector
26. Матрица 3x3: алгоритм нахождения eigenvalue & eigenvector
27. Комплексные числа
28. Основные понятия. Eigenvalue decomposition
29. Матрица 2x2: алгоритм нахождения Eigenvalue decomposition
30. Геометрический смысл Eigenvalue decomposition. Матрица 2x2
31. Эрмитова матрица
32. Сингулярное разложение матрицы
33. Основные понятия. Singular Value Decomposition
34. Алгоритм нахождения singular value decomposition
35. Матрица 2x3. Прямоугольная - ШИРОКАЯ. Система уравнений. Метод Гаусса
36. Матрица 4x3. Прямоугольная - ВЫСОКАЯ. Система уравнений. Метод Гаусса
37. Матрица 3x3. Квадратная. Мультиколлинеарность. Находим SVD
38. Резюмируем
39. Усечённое (Truncated) SVD
40. Сжатие изображения с помощью SVD
41. Убираем шум с помощью SVD
42. Рекомендательная система SVD
43. Норма Фробениуса. След матрицы
44. Теорема Эккарта Янга
45. Геометрический смысл SVD
46. Аналитический смысл SVD
47. Сходство EVD и SVD
48. Функция PINV. Псевдообратная матрица Мура-Пенроуза
49. Выводим с нуля формулу для pinv - Moore-Penrose pseudoinverse
50. Матрица 4x2. Прямоугольная - ВЫСОКАЯ
51. Матрица 2x2. Квадратная. Мультиколлинеарность
52. Прообраз и образ. Отображение
53. Геометрический смысл pinv - Moore-Penrose pseudoinverse
54. Метод наименьших квадратов: Мура-Пенроуза наилучшая аппроксимация
55. Реверс инжиниринг scikit-learn, метод fit
56. Функция PINV
57. Резюмируем
58. Пишем алгоритм PINV с нуля
59. Плюсы, минусы, где применяется

Домашняя работа

1. тестирование от яндекс
2. тестирование от deep
3. Дискуссия kaggle
4. Pandas
5. EDA (основы статистики)
6. Реализация модели с нуля
7. Конструирование признаков
8. Регуляризация
9. Прогнозирование цены на автомобили

Темы модуля

1. Решение МНК с помощью QR-разложения
2. Процесс ортогонализации Грама - Шмидта: Основные понятия
3. Геометрический смысл скалярного произведения
4. Норма вектора, L2, Евклидова норма
5. Как найти скалярное произведение векторов?
6. Угол между векторами: Острый, Тупой, Прямой. Коллинеарность.
7. Скалярный квадрат вектора
8. Алгебраический смысл скалярного произведения
9. Свойства скалярного произведения
10. Рекомендательная система. Косинусное сходство векторов
11. Ортогональность векторов.
12. Ортогональный и Ортонормированный базис, система векторов
13. Как найти проекцию вектора на вектор?
14. Косинус угла. Выводим с нуля формулу проекции.
15. Основные понятия.
16. Задача наименьших квадратов
17. QR-разложение. Выводим формулу с нуля
18. Алгоритм Грама-Шмидта
19. Матрица 3х3. Квадратная. QR-разложение
20. Матрица 3х2. Прямоугольная. Высокая и узкая. QR-разложение
21. Матрица 2х2. Квадратная. QR-разложение
22. Матрица 3х3. Квадратная. QR-разложение
23. QR-разложение с поворотом (pivoting)
24. Редуцированное QR
25. Геометрический смысл Грама-Шмидта
26. Линейная оболочка. Span.
27. Явное обращение матрицы VS система линейных уравнений
28. scipy.linalg.lstsq. Изучаем ядро библиотеки lapack: gelsy
29. Шаг 0. Подключаем датасет и читаем CSV
30. Шаг 1. Разведочный анализ (EDA). Стандартное отклонение. Дисперсия
31. Шаг 2. Подготовка данных. Sklearn.preprocessing.MinMaxScaler
32. Шаг 3. Построение модели ML. Scikit-learn: linear regression
33. Шаг 4. Метрики: MAE, MSE, RMSE, R2
34. Шаг 5. QR-разложение VS Ridge регуляризация
35. Test №1 Performance QR vs normal equation
36. Test №2 Performance QR vs normal equation
37. Плюсы, минусы, где применяется

Домашняя работа

1. тестирование от яндекс
2. тестирование от deep
3. Упражнения линейная алгебра DS
4. Библиотека Numpy
5. Библиотека Pandas
6. Преобразование датафреймов
7. Теория вероятностей на python
8. Классификация данных и задачи EDA
9. Интегральное исчисление с нуля
10. Упражнения на нормальное распределение PDF/CDF
11. EDA анализ с нуля
12. Дискуссия kaggle
13. Корреляция
14. Параметрические и непараметрические тесты
15. Анализ остатков и прогнозных значений
16. Построение модели

Темы модуля

1. Основные понятия
2. Алгоритм LU разложения
3. Матрица 3х3. Система уравнение. СЛАУ. Метод Гаусса.
4. Решаем систему AX = B. Прямой ход. Обратный ход
5. LU-разложение с поворотом. Pivoting.
6. Почему LU-разложение хуже чем Холецкий?
7. Основные понятия
8. Алгоритм разложения Холецкого
9. Матрица 3х3. Система уравнение. СЛАУ.
10. Решаем систему AX = B. Прямой ход. Обратный ход
11. np.linalg.cholesky
12. Сравнение: Normal equation, SVD, QR, Cholesky, Gradient descent
13. Блок-схема выбора алгоритма
14. Большой, малый датасет.
15. Что такое МНК? Историческая справка.
16. Критерий Кронекера и Квадратичной формы.
17. Почему Adam и Momentum не нужен в машинном обучении?
18. Условия и рекомендуемый метод поиска весов
19. Регуляризация Тихонова, Гребневая, Ridge, применение Холецкого
20. Скорость работы алгоритма
21. Ресёрчим kaggle

Домашняя работа

1. тестирование от яндекс
2. тестирование от deep
3. Упражнения линейная алгебра DS
4. Дискуссия kaggle
5. Ошибки в данных
6. Пропущенные значения
7. Преобразование данных
8. Выбросы в данных
9. Кодирование категориальных переменных
10. New York City Airbnb Open Data (цены на жилье)

Темы модуля

1. Реверс-инжиниринг кода (Python+sklearn)
2. Параметры метода, Фильтрация данных
3. z-score: масштабирование признаков
4. train_test_split: Тестовая, обучающая выборка
5. Инициализация параметров: Метод shape, bias, weights, previous.
6. Численный метод что это?
7. Математический анализ
8. Понятие функции
9. Монотонность функции
10. Производная и монотонность функции
11. Понятие Оптимизации
12. Основные теоремы дифференциального исчисления
13. Теорема Ферма. Точка экстремума. Критическая точка.
14. Выпуклость. Вогнутость функции.
15. Точка перегиба. Хорда
16. Этапы оптимизации функции
17. Основы оптимизации функции
18. Теорема Ролля
19. Основы тригонометрии.
20. Теорема Лагранжа
21. Стационарная точка.
22. Функция нескольких переменных.
23. Парабалойд
24. learning rate. Формула градиентного спуска
25. GDLinearRegression: Повторный реверс-инжиниринг
26. Градиент и Функция потерь
27. Геометрический смысл: Градиент и Функция потерь
28. Ортонормированный базис. Линейная зависимость. Линейная комбинация
29. Частные производные и Градиент
30. Выводим с нуля формулу
31. Скалярный квадрат. SSE.
32. Матричное диффенцирование: линейная форма, квадратичная форма
33. Экзамен на python
34. Мини-Батч градиентный спуск
35. Стохастический градиентный спуск
36. Переобучение. недообучение модели: Underfit, good, overfit
37. Сравнительный анализ. BGD VS MINI-BATCH VS SGD
38. Плюсы, Минусы, Где применяется
39. Корреляционно-регрессионный анализ

Домашняя работа

1. тестирование от яндекс
2. тестирование от deep
3. алгоритмы на python
4. оптимизация 1 порядка
5. ШАД лабораторная работа 1,2
6. кросс-вал и гиперпараметры
7. Экзамен по книге (все темы)

Темы модуля

1. Введение в метод сопряжённых градиентов
2. Реверс-инжиниринг scikit-learn
3. Геометрический смысл метода сопряжённых градиентов
4. Общий подход к построение проекционных методов
5. Условия Петрова - Галёркина
6. Косой и ортогональный проекционный метод
7. Проекционный оператор
8. Образ и ядро проектора
9. Линейное многообразие. Аффинное пространство.
10. Матричные базисы
11. Одномерные проекционные процессы
12. Пространство: Линейное, Метрическое, Нормированное, Евклидово
13. Подпространство
14. Матрица проектирования и базис
15. Ортогональное дополнение
16. Энергетическая норма (A-норма)
17. подпространство Крылова: Геометрический смысл
18. подпространство Крылова: Алгебраический смысл
19. Полиномиальная аппроксимация. Теорема Камильтона - Кэли.
20. Метод наискорейшего спуска (Steepest Descent)
21. Сопряжённые градиенты. A-Ортогональность.
22. Квадратичная форма
23. Разбор алгоритма CG в python
24. Предобуславливатель
25. CG для нормальных систем уравнений
26. sparse_cg: Сопряжённые градиенты в ридж регрессии
27. Аналитическое доказательство CG.
28. Геометрическое доказательство CG и Метод Грама - Шмидта
29. Геометрический смысл CG на подпространстве Крылова
30. Академическое формальное доказательство

Домашняя работа

1. Тестирование от deep
2. kaggle comptetition
3. kaggle дискуссия
4. Кривые обучения
5. Early stopping
6. Упражнения и вопросы по пайплайну

Темы модуля

1. Введение в алгоритм LSQR
2. Реверс-инжиниринг scikit-learn. Бидигоанализация Голуба - Кахана
3. Где применяется LSQR?
4. Метод Ланцоша. Историческая справка.
5. Обусловленность (cond)
6. СЛАУ И МНК. Проблема нормальных уравнений
7. Процедура бидиагонализации Голуба - Кахана
8. QR разложение с вращением Гивенса
9. Дополнительное тестирование
10. Оценка норм в критериях остановы. atol. btol. conlim.
11. Анализ сходимости LSQR VS CG
12. LSQR в современную эпоху
13. Геометрический смысл LSQR
14. Ключевые выводы по LSQR

Домашняя работа

1. Доверительный интервал
2. Статистические гипотезы
3. Проверка статистических гипотез
4. Линейный коэффициент корреляции
5. Уравнение линейной регрессии
6. Проверка значимости линейной модели
7. Модель однофакторной регрессии
8. Уравнение множественной линейной регрессии
9. kaggle дискуссия

Темы модуля

1. Введение в алгоритм SAG + Реверс-инжиниринг scikit-learn.
2. Минимизация эмперического риска. Градиентный спуск, Стохастический
3. Тестирование
4. Анализ схождения стохастических и детерминированных методов
5. Анализ схождения SAG vs LBFGS vs Координатные методы
6. Сильная выпуклость и просто выпуклость
7. Условия сходимости SAG
8. Концепция алгоритма SAG
9. Аналитический разбор алгоритма SAG
10. Считаем вручную SAG
11. L-Липшицев градиент. Собственные числа. Матрица Гессе.
12. Структура SAG методов
13. Смещённая оценка градиента
14. SVRG
15. SAGA

Домашняя работа

1. Оценка коэффициентов
2. Определение точности оценки коэффициентов
3. Определение точности оценки модели
4. Оценка регрессионных коэффициентов
5. Прочие факторы регрессионного моделирования
6. Качественные предикторы
7. Лабораторная работа (Boston)
8. kaggle дискуссия

Темы модуля

1. Введение в алгоритм L-BFGS-B
2. Реверс-инжиниринг исходников scikit-learn
3. Введение в Newton. Quasi-Newton. BFGS. LBFGS. LBFGSB
4. Анализ графиков схождения алгоритмов. Ньютон VS Градиентный спуск
5. Что видит Ньютон?
6. Условная и безусловная оптимизация
7. Тестирование оптимизация УБ
8. Процедура градиентного спуска
9. Уравнение касательной
10. Линейная аппроксимация
11. Разложение в ряд Тейлора первого порядка
12. Первый и второй порядок. Гессиан
13. Квадратичная аппроксимация. Ряд Тейлора второго порядка
14. Общая формула Тейлора и Маклорена
15. Остаточный член. Радиус сходимости
16. Геометрический смысл: аппроксимация полиномом vs рядом Тейлора
17. Аналитический смысл: аппроксимация полиномом vs рядом Тейлора
18. Как шагают методы первого и второго порядка?
19. Сравнение градиентного спуска и метода Ньютона
20. Зачем вообще аппроксимировать?
21. Выпуклая и невыпуклая оптимизация. Гессиан
22. Алгоритм Ньютона
23. Пример на линейной регрессии
24. Теорема Клеро. Смешанная производная. LOSS второго порядка
25. Аффинная инвариантность: преимущества и Проклятие Размерности
26. Метод касательной (Ньютона)
27. Broyden-Fletcher-Goldfarb-Shanno algorithm. BFGS
28. Метод секущих
29. BFGS: Уравнение секущей. Bs = y
30. BFGS: Разбор условий для уравнения секущей. Bs = y
31. Аналитический разбор: Уравнение секущей
32. Формула Шермана-Моррисона-Вудбери (Обновление обратной матрицы)
33. Линейный поиск (Line Search) и Условия Вольфе (Армихо и Кривизны)
34. Анализ графиков Newton vs BFGS
35. Идея алгоритма LBFGS
36. Реверс-инжиниринг: Скользящее окно памяти. Двухцикловая рекурсия
37. Сравнительная таблица. Анализ сложности
38. Идея алгоритма L-BFGS-B (Limited-memory BFGS with Bound)
39. Точка Коши. Мин. в подпространстве. Active set vs Free set
40. Сравнительная таблица. Анализ сложности

Домашняя работа

1. Описательная статистика
2. Среднее, медиана, выбросы, стандартное отклонение, процентили, гистограммы
3. Выборка и смещение
4. Случайная выборка, смещенная выборка, систематическая ошибка, размер выборки
5. Неопределенность оценки
6. Выборочное распределение, стандартная ошибка, центральная предельная теорема
7. Бутстрап и доверительные интервалы
8. Как оценивать надежность результата без строгих предположений о распределении
9. Основные распределения
10. Нормальное, t-распределение, биномиальное, хи-квадрат, F-распределение, Пуассон
11. Проверка гипотез
12. Нулевая и альтернативная гипотезы, p-value, alpha, статистическая значимость
13. Ошибки выводов
14. Ошибки 1-го и 2-го рода, практическая значимость, множественное тестирование
15. Статистические тесты
16. t-тест, ANOVA, хи-квадрат тест, точный тест Фишера, перестановочный тест
17. A/B-тесты
18. Односторонние и двусторонние проверки, мощность теста, размер выборки
19. Связи между переменными
20. Корреляция, диаграммы рассеяния, сравнение числовых и категориальных данных
21. kaggle дискуссия

Темы модуля

1. Бизнес кейсы с полиномиальной регрессией
2. Понятие монома (одночлен)
3. Понятие полинома (многочлен)
4. Моделирование полиномов в DESMOS
5. Понятие ряд Тейлора
6. Выводим формулу полиномиальной регрессии с нуля.
7. Полиномиальные признаки: sklearn.preprocessing.PolynomialFeatures
8. Реверс-инжиниринг Python кода
9. Улучшаем код для выбора гиперпараметра модели
10. Метрика MAPE
11. Анализ метрик и выбор степени полинома. UNDERFITTING OVERFITTING
12. Анализ графика полиномиальной регрессии
13. Анализ коэффициентов регрессии
14. Анализ графика остатков
15. Понятие Bias-Variance Decomposition и Tradeoff
16. Понятие Bias (смещение)
17. Bias (смещение): математическое обоснование
18. Понятие variance (разброс)
19. Геометрический смысл bias и variance
20. Кросс-валидация (краткий обзор)
21. Variance (разброс): математическое обоснование
22. Понятие noise (шум)
23. Геометрический смысл noise
24. Noise (шум): математическое обоснование
25. Анализ графика: шум как неустранимая ошибка.
26. PDF. График плотности нормального распределения Гаусса
27. Выводим формулу с нуля. Bias varians decomposition
28. Анализ графика model complexity
29. Бритва Оккама или как выбрать гиперпараметр?
30. Валидационная выборка
31. Анализ кривых обучения (learning curves)
32. Борьба с недообучением и переобучением
33. BVD: Decision Tree, Random Forest, KNN, Логистическая, Нейросети
34. Введение в сплайновую регрессию (с реализацией в Python)

Домашняя работа

1. Тестирование от deep
2. Яндекс статья BVD
3. kaggle дискуссия
4. Методы повторной выборки
5. Перекрестная проверка
6. Метод проверочной выборки
7. Перекрестная проверка по отдельным наблюдениям
8. k-кратная перекрестная проверка
9. Компромисс между смещением и дисперсией в k-кратной перекрестной проверке
10. Бутстреп
11. Лабораторная работа: перекрестная проверка и бутстреп
12. Практика: метод проверочной выборки
13. Практика: перекрестная проверка
14. Практика: бутстреп
15. Регрессионные сплайны
16. Кусочно-полиномиальная регрессия
17. Ограничения и сплайны
18. Представление сплайнов с помощью базисных функций
19. Выбор количества и расположения узлов
20. Сравнение сплайнов с полиномиальной регрессией
21. Сглаживающие сплайны
22. Введение в сглаживающие сплайны
23. Выбор сглаживающего параметра λ
24. Локальная регрессия
25. Обобщенные аддитивные модели
26. GAM для регрессионных задач
27. Проверка статистических гипотез
28. Анализ расхождения между средним выборки и средним совокупности
29. Выуживание данных
30. Сложные выводы из-за ресэмплинга
31. Бутстрэппинг с восполнением
32. Тестирование гипотез при неизвестной дисперсии совокупности
33. Пермутационный тест
34. Сравнение средних выборок при неизвестных параметрах совокупности

Темы модуля

1. Анализ графика регуляризации
2. Регуляризация Тихонова. L2. Ridge
3. Метод наименьших квадратов
4. Сравнение Python кода линейной и гребневой регрессии
5. Сравнение графиков линейной и гребневой регрессии
6. Обзор формулы L2-регуляризации
7. Что такое L2-норма?
8. L2-норма вектора на плоскости
9. L2-норма вектора в пространстве
10. Ограничение через норму и квадрат нормы
11. Что такое линии уровня?
12. Геометрическая интерпретация регуляризации Тихонова
13. Геометрическая интерпретация параметра регуляризации
14. Уравнение окружности
15. 4D Геометрическая интерпретация регуляризации
16. Почему линии уровня это эллипсы?
17. Выводим формулу L2-регуляризации с нуля
18. Решатель: Нормальное уравнение.
19. Python: Имплементация нормального уравнения в L2-регуляризации
20. Решатель: Разложение Холецкого.
21. Решатель: SVD. Сингулярное разложение матрицы
22. Решатель: Градиентный спуск
23. Python: Имплементация градиентного спуска в L2-регуляризации
24. Геометрическая интерпретация коэффициентов регрессии
25. Доказательство: почему L2 не зануляет веса?
26. Теорема Гаусса-Маркова
27. Bias: Cмещённая оценка гребневой регрессии.
28. Ковариационная матрица. Ковариация против корреляции.
29. Variance: Cмещённая оценка гребневой регрессии.
30. Почему MSE гребневой регрессии меньше OLS?
31. Фактор инфляции дисперсии (VIF) — мера мультиколлинеарности
32. Обусловленность (cond)
33. Геометрический смысл СЛАУ
34. Логарифмическая шкала и параметр регуляризации
35. Почему называется Гребневая регрессия?
36. Резюмируем
37. Регуляризация в других моделях ML

Домашняя работа

1. Яндекс статья регуляризация
2. Тестирование от яндекс
3. Яндекс ПАНДАН
4. Box Plot & квартили, квантили, перцентили
5. CDF, PDF, PPF, SF, ISF
6. Нормальность распределения
7. CLT и нормальное распределение
8. Колмогорова-Смирнова
9. Шапиро-Уилка
10. QQ plot
11. t-тест
12. A/B tests
13. Методы сжатия
14. Гребневая регрессия
15. Лассо
16. Выбор гиперпараметра
17. Методы снижения размерности
18. Метод главных компонент
19. Метод частных наименьших квадратов
20. Размышляя о большой размерности
21. Данные большой размерности
22. Что не так с данными большой размерности?
23. Регрессия в условиях большой размерности
24. Интерпретация результатов в задачах большой размерности
25. Методы отбора
26. Регрессия PCR и PLS
27. kaggle дискуссия