Ruslan Senatorov | Линейная регрессия данные по жилью в Бостоне. Библиотека sikit-learn. #Python

00:00:00 Подключение датасета
00:01:06 Анализ датасета
00:03:06 Структура датасета
00:04:41 Добавление новой колонки
00:06:06 Статистический анализ
00:08:41 Разделение датасета на обучающую и тестовую выборки
00:12:50 Подготовка к моделированию
00:14:30 Проверка модели
00:15:03 Проблемы с типами данных
00:16:07 Преобразование данных
00:17:39 Шкалирование данных
00:18:40 Проверка преобразованных данных
00:22:11 Корреляция и метрики
00:25:02 Оценка ошибок
00:27:03 Проверка нормальности остатков
00:29:35 Доверительные интервалы

• Доверительный интервал — это диапазон значений, содержащий истинное значение измеряемого параметра, например, средний рост учащихся или средний доход населения.

• Вместо точного значения, например, 165 см, можно указать доверительный интервал: 95% уверенности, что средний рост находится в диапазоне от 160 до 170 см.

00:30:35 t-тест

• t-тест используется для сравнения средних значений двух групп, когда известна дисперсия популяции.

• Цель теста — определить, существует ли существенная разница в средних результатах между группами.

00:31:30 Интерпретация доверительных интервалов

• Пример: выборка из 50 студентов, 95% доверительный интервал для среднего роста — 160–170 см.

• При повторении выборки 95% интервалов будут содержать истинное среднее значение популяции.

00:32:10 Уровень уверенности

• Уровень уверенности — это степень уверенности в том, что истинное значение находится в пределах доверительного интервала.

• Формула уровня уверенности: 1 - α, где α — уровень значимости.

00:33:18 Точечная оценка

• Точечная оценка — это оценка, полученная в виде одного числа.

00:33:53 Этапы построения доверительных интервалов

• Первый шаг: определить проблему и метрику.

• Второй шаг: вычислить параметры и определить α.

• Третий шаг: построить доверительные интервалы, добавляя соответствующие значения к среднему значению.

🚀 Вступай в сообщество: https://boosty.to/SENATOROV

🍑 Подписывайся на Telegram: https://t.me/RuslanSenatorov

💰 Донат: https://www.donationalerts.com/c/senatorov

💰 Стать спонсором :

(USDT TRC20) TPWP9kuqqetDNPeLjAe51F1i2jPxwYYBDu

(USDT BEP20) 0xf3db7ce90a55d1d25b7a6d1ded811fb2a7523f3d

Машинное обучение/Анализ данных/deep learning/Статистика/Искусственный интеллект/Математика/Python

Основные математические темы:

Линейная алгебра:

Векторы и матрицы

Операции с матрицами (умножение, транспонирование, след)

Собственные значения и собственные векторы

Обратные матрицы

Разложения (QR-разложение, SVD-разложение)

Системы линейных уравнений

Математический анализ:

Пределы и непрерывность

Производные и частные производные

Градиенты и оптимизация

Интегралы

Оптимизация функций

Теорема о среднем значении

Многомерный анализ
Теория вероятностей:

Случайные величины

Распределения вероятностей (нормальное, биномиальное, пуассоновское)

Условная вероятность

Теорема Байеса

Законы больших чисел и центральная предельная теорема
Статистика:

Математическое ожидание, дисперсия

Статистические гипотезы и критерии

Регрессия и корреляция

Оценки параметров (метод максимального правдоподобия, метод наименьших квадратов)

Анализ данных и визуализация

Описательная статистика

Интервальная оценка

Проверка гипотез

Регрессионный анализ

Теги:

Математика для машинного обучения,

Линейная алгебра в Data Science,

Математический анализ для машинного обучения,

Теория вероятностей и статистика,

Математика для анализа данных,

Векторы и матрицы,

Производные и градиенты,

Распределения вероятностей,

Регрессия и корреляция,

Машинное обучение,

Data Science обучение,

Математические основы ML,

Алгоритмы машинного обучения,

линейная алгебра для машинного обучения,

теория вероятностей в data science,

математический анализ в ML,

статистика для анализа данных,

data science с нуля,

машинное обучение для начинающих,

Python для data science,

R для анализа данных,

numpy, pandas, scikit-learn,

deep learning,

нейронные сети,

искусственный интеллект,
#математика #datascience #machinelearning

математика с нуля,

математика для дата сайнс,
математика для машинного обучения,
математика для чайников,

математика для начинающих,

математика для программистов,

математика для data science,

репетитор по математике,

преподаватель по математике,

учитель по математике,

учитель математики,

ментор по математике,

тичер по математике,

репетитор по дата сайнс с нуля,

репетитор по высшей математике,

репетитор по математике для взрослых,

математика для заочников

математика для дата аналитика

Видео Ruslan Senatorov | Линейная регрессия данные по жилью в Бостоне. Библиотека sikit-learn. #Python канала SENATOROV | Математический спецназ