📌Полезный репозиторий с материалами по статистике и ML-алгоритмам от Техасского университета

В частности, здесь описываются (вместе с визуализацией на Python) такие темы как:
— дерево решений
— метод PCA
— кластеризация методом k-means
— центральная предельная теорема

🟡 Jupyter Notebook'и

@machinelearning_interview

⚡️ Годный открытый курс по Machine Learning

Охват тем нереальный, можно посмотреть на оглавление
К каждой теме в оглавлении приведена лекция, где плавно по шагам описываются ключевые идеи и т.д.
Отличный ресурс для погружения в Machine Learning

📎 Открытый курс по ML

@machinelearning_interview

📌Вопросы с собеседований по ML о визуализации данных

Это подборка вопросов о тонкостях построения графиков в ML при помощи R

🟡 Вопросы с ответами

@machinelearning_interview

🌟 Очень подробный Colab по Supervised Learning

Здесь приводится необходимая теория и пошагово реализуются такие алгоритмы как логистическая регрессия, SVM, дерево решений, метод k-ближайших соседей, мультиклассовая классификация и другие алгоритмы

🟡 Supervised Learning — Google Colab

@machinelearning_interview

🖥 Вопросы по Python c собеседований с уклоном в ML

Вот некоторые из вопросов:
— в чём отличие генератора от list comprehension
— реализуй алгоритм PCA
— какие ML-библиотеки ты знаешь, где они используются

🟡 Вопросы с ответами

@python_job_interview

📌 Отличный ресурс, где собрана масса примеров реализации ML-алгоритмов и их использования

Вот некоторые из тем и алгоритмов, которые тут освещаются
— обучение с учителем (линейная/полиномиальная регрессия, ...)
— алгоритмы классификации (логистическая регрессия, SVM, ...)
— файнтюнинг LLM
— метод CatBoosts
— анализ эмоциональной составляющей текста

▶️ Подборка по ML

@machinelearning_interview