Epizód
A lineáris regresszió ismertetése (10/ 17. rész) | Gépi Tanulás kezdőknek
nevű és Bea Stollnitz
Ebben a videóban Bea Stollnitz, a Microsoft vezető felhőtanácsadója segít megérteni a lineáris regresszió fogalmát, amely egy alapvető gépi tanulási algoritmus. Ez a videó része a Machine Tanulás kezdőknek sorozatunknak, ahol különböző gépi tanulási témaköröket és azok Implementációját tárgyaljuk Python-kóddal Jupyter-jegyzetfüzetekben.
Ebben a videóban a következőt fogja elsajátítani:
- Mi a lineáris regresszió és hogyan működik?
- Lineáris regressziós modell paramétereinek értelmezése
- A legkisebb négyzetes regresszió fogalma
- Hogyan terjeszthető ki a lineáris regresszió több funkcióra?
Egy egydimenziós forgatókönyvvel kezdjük, amelyben egyetlen x jellemzővel rendelkezünk, és elmagyarázzuk, hogy a lineáris regresszió hogyan találja meg a legjobb vonalat, amely az adatpontok felhőjének általános alakját közelíti. Bemutatjuk a hibaminimizálás és a legkisebb négyzetek metódusának fogalmait. Ezután röviden bemutatjuk, hogyan bővíthető a lineáris regresszió több funkcióra.
A videó végére alapos ismereteket szerezhet a lineáris regresszió alapvető fogalmairól, és felkészülhet a sorozat következő videójára, amelyben a korrelációról és annak fontosságáról lesz szó a lineáris regressziós modellek betanítása során.
Maradjon velünk a sorozat következő videójához, amelyben részletesebben is megismerkedhet a különböző gépi tanulási témakörökkel, és végigvezetjük az implementációjukon a Jupyter notebookokban lévő Python-kód használatával. Ott találkozunk!
Fejezetek
- 00:00 – Bevezetés
- 00:13 – Mi a lineáris regresszió?
- 01:10 – Legkisebb négyzetek regressziója
- 01:27 – Többdimenziós lineáris regresszió több funkcióhoz
- 01:52 – Az 1 dimenziós lineáris regresszió matematikai függvénye
Javasolt forrásanyagok
- Ez a kurzus a Microsoft ingyenes, nyílt forráskódú, 26 leckés ML Kezdőknek tantervén alapul.
- A jupyter notebook követni együtt ezt a leckét is elérhető!
Kapcsolódás
- Bea Stollnitz | Blog
- Bea Stollnitz | Twitter: @beastollnitz
- Bea Stollnitz | LinkedIn: in/beatrizstollnitz/
Ebben a videóban Bea Stollnitz, a Microsoft vezető felhőtanácsadója segít megérteni a lineáris regresszió fogalmát, amely egy alapvető gépi tanulási algoritmus. Ez a videó része a Machine Tanulás kezdőknek sorozatunknak, ahol különböző gépi tanulási témaköröket és azok Implementációját tárgyaljuk Python-kóddal Jupyter-jegyzetfüzetekben.
Ebben a videóban a következőt fogja elsajátítani:
- Mi a lineáris regresszió és hogyan működik?
- Lineáris regressziós modell paramétereinek értelmezése
- A legkisebb négyzetes regresszió fogalma
- Hogyan terjeszthető ki a lineáris regresszió több funkcióra?
Egy egydimenziós forgatókönyvvel kezdjük, amelyben egyetlen x jellemzővel rendelkezünk, és elmagyarázzuk, hogy a lineáris regresszió hogyan találja meg a legjobb vonalat, amely az adatpontok felhőjének általános alakját közelíti. Bemutatjuk a hibaminimizálás és a legkisebb négyzetek metódusának fogalmait. Ezután röviden bemutatjuk, hogyan bővíthető a lineáris regresszió több funkcióra.
A videó végére alapos ismereteket szerezhet a lineáris regresszió alapvető fogalmairól, és felkészülhet a sorozat következő videójára, amelyben a korrelációról és annak fontosságáról lesz szó a lineáris regressziós modellek betanítása során.
Maradjon velünk a sorozat következő videójához, amelyben részletesebben is megismerkedhet a különböző gépi tanulási témakörökkel, és végigvezetjük az implementációjukon a Jupyter notebookokban lévő Python-kód használatával. Ott találkozunk!
Fejezetek
- 00:00 – Bevezetés
- 00:13 – Mi a lineáris regresszió?
- 01:10 – Legkisebb négyzetek regressziója
- 01:27 – Többdimenziós lineáris regresszió több funkcióhoz
- 01:52 – Az 1 dimenziós lineáris regresszió matematikai függvénye
Javasolt forrásanyagok
- Ez a kurzus a Microsoft ingyenes, nyílt forráskódú, 26 leckés ML Kezdőknek tantervén alapul.
- A jupyter notebook követni együtt ezt a leckét is elérhető!
Kapcsolódás
- Bea Stollnitz | Blog
- Bea Stollnitz | Twitter: @beastollnitz
- Bea Stollnitz | LinkedIn: in/beatrizstollnitz/
Visszajelzés küldene? Problémát itt küldhet be.