📌Deep Learning на практике

Очень полезный практический учебник/туториал по Deep Learning;
каждый раздел подробно объясняет, что происходит в конкретном Jupyter Notebook'е

Вот некоторые из затрагиваемых тем:
— NLP и работа с текстом
— классификация изображений
— распознавание (начиная с классического MNIST и до более сложных примеров)

🟡 Deep Learning на практике
🖥 Ноутбуки на GitHub

@machinelearning_interview

📌 Applied Statistics with R — отличная книга для аналитиков, ML-инженеров и специалистов по DS

Здесь подробно объясняется линейная и логистическая регрессия и как работать с ними в R, описываются параметры данных такие как гомоскедастичность, гетероскедастичность и т.д.
Приведено много формул, при этом всё детально объясняется

🟡 Applied Statistics with R

@machinelearning_interview

🌟 Основные методы рекомендательной системы — подробный блокнот Kaggle

Этот блокнот Kaggle — практическое введение в основные методы рекомендательных систем.

В частности, здесь рассматриваются такие методы как:

— коллаборативная фильтрация: этот метод делает автоматические прогнозы (фильтрацию) об интересах пользователя, собирая информацию о предпочтениях или вкусах других пользователей (похожих на данного). В основе такого подхода лежит предположение: если человек A выбирает те же товары, что и человек B, то вероятность того, что A будет придерживаться мнения B по данному товару, выше, чем вероятность, что мнение А совпадёт с мнением случайного человека

— фильтрация на основе содержимого: этот метод использует для моделирования предпочтений пользователя только информацию об описании и атрибутах товаров, которые он ранее употреблял. То есть, такие алгоритмы пытаются рекомендовать товары, похожие на те, которые нравились пользователю в прошлом

— гибридные методы, сочетающие коллаборативную фильтрацию и фильтрацию на основе контента

🟡 Блокнот Kaggle с пошаговой реализацией

@machinelearning_interview

🌟 Репозиторий с основной теорией по Data Science и Machine Learning

Здесь конспективно приводится самая основная информация с формулами и графиками, в частности говорится о таких понятиях:
— наивный Байесовский классификатор
— метод XGBoost
— кластеризация/классификация
— метод случайного леса
— обучение нейросети, признаки переобучения
— и также затрагивается множество других тем/алгоритмов

Неплохой репозиторий, чтобы полистать перед собеседованием

🖥 GitHub

@machinelearning_interview

🌟 Подборка Colab'ов с реализацией ML-алгоритмов, связанных с обработкой изображений

Если конкретно, здесь реализованы алгоритмы удаления фона изображения, апскейлинга, сегментирования, алгоритмы распознавания частей лица и т.д.

🟡 Google Colab'ы с кодом

@machinelearning_interview

📌 Открытый курс по ML с видео и лекциями от Амстердамского университета

Этот курс покрывает множество тем ML, вот некоторые из них:
— Gaussian Mixture Models
— PCA (Principal Component Analysis)
— SVM (Support Vector Machines)
— Bootstrapping, Feature Bagging

К каждой теме приводится pdf с основными формулами и видео с подробным объяснением, в целом очень годный курс

🟡 Machine Learning (UvA)

@machinelearning_interview

📌 Applied Statistics with R — свободная книга для аналитиков, ML-инженеров и специалистов по DS

Здесь подробно объясняется линейная и логистическая регрессия и как работать с ними в R, описываются параметры данных такие как гомоскедастичность, гетероскедастичность и т.д.
Приведено много формул, при этом всё детально объясняется

🟡 Applied Statistics with R

@machinelearning_interview