Канал: Machine Learning Study Groups

Math for ML (29) - Teoria Support Vector Machines

Math for ML (29) - Teoria Support Vector Machines

Math for ML (28) - GMM z perspektywy probabilistycznej oraz wstęp do klasyfikacji za pomocą SVM

Math for ML (28) - GMM z perspektywy probabilistycznej oraz wstęp do klasyfikacji za pomocą SVM

Math for ML (27) - Estymowanie parameterów Gaussowskich Modeli Mieszanych

Math for ML (27) - Estymowanie parameterów Gaussowskich Modeli Mieszanych

Math for ML (26) - PCA w praktyce i z perspektywy probabilistycznej

Math for ML (26) - PCA w praktyce i z perspektywy probabilistycznej

Math for ML (25) - Projekcje w PCA i liczenie wartości i wektorów własnych

Math for ML (25) - Projekcje w PCA i liczenie wartości i wektorów własnych

Math for ML (24) - Maximum Likelihood, PCA

Math for ML (24) - Maximum Likelihood, PCA

Math for ML (23) - Bayesian Linear Regression

Math for ML (23) - Bayesian Linear Regression

Math for ML (22) - Regresja Liniowa część 2.

Math for ML (22) - Regresja Liniowa część 2.

Math for ML (21) - Regresja liniowa część 1.

Math for ML (21) - Regresja liniowa część 1.

Math For ML (20) - When Models Meet Data

Math For ML (20) - When Models Meet Data

Math for ML (19) - Optymalizacja za pomocą funkcji wypukłych, zadania

Math for ML (19) - Optymalizacja za pomocą funkcji wypukłych, zadania

Math for ML (18) - Continuous Optimization - część 1.

Math for ML (18) - Continuous Optimization - część 1.

Math for ML (17) - Change of variables, zadania z prawdopodobieństwa

Math for ML (17) - Change of variables, zadania z prawdopodobieństwa

Math for ML (16) - Rozkłady sprzężone, rodzina wykładnicza

Math for ML (16) - Rozkłady sprzężone, rodzina wykładnicza

Math for ML (15) - Sytatystyki Opisowe i Rozkład Normalny

Math for ML (15) - Sytatystyki Opisowe i Rozkład Normalny

Math for ML (14) - Wstęp do rachunku prawdopodobieństwa

Math for ML (14) - Wstęp do rachunku prawdopodobieństwa

Math For ML (13) - zadania z rachunku różniczkowego

Math For ML (13) - zadania z rachunku różniczkowego

Math for ML (12) - Propagacja wsteczna, pochodne wyższego rzędu, linearyzacja szereg Taylora

Math for ML (12) - Propagacja wsteczna, pochodne wyższego rzędu, linearyzacja szereg Taylora

Math for ML (11) - Gradienty macierzy i funkcji o wartościach wektorowych

Math for ML (11) - Gradienty macierzy i funkcji o wartościach wektorowych

Math for ML (10) - wstęp do rachunku różniczkowego

Math for ML (10) - wstęp do rachunku różniczkowego

Math for ML (9) - Singular Value Decomposition, aproksymacja macierzy

Math for ML (9) - Singular Value Decomposition, aproksymacja macierzy

Math for ML (8) - Wartości i wektory własne

Math for ML (8) - Wartości i wektory własne

Match for ML (7) - Wyznacznik i ślad macierzy

Match for ML (7) - Wyznacznik i ślad macierzy

Math for ML (6) - Rzuty i Rotacje

Math for ML (6) - Rzuty i Rotacje

Math for ML (5) - Geometria analityczna

Math for ML (5) - Geometria analityczna

Math for ML (4) - Zadania z algebry liniowej

Math for ML (4) - Zadania z algebry liniowej

Math For ML (3) - podsumowanie algebry liniowej + zadania

Math For ML (3) - podsumowanie algebry liniowej + zadania

Math for ML (2) - Przestrzenie wektorowe, niezależność liniowa, rząd macierzy

Math for ML (2) - Przestrzenie wektorowe, niezależność liniowa, rząd macierzy

Math for ML (1) - Algebra Liniowa, Wektory, Macierze, Rozwiązywanie Układów Równan

Math for ML (1) - Algebra Liniowa, Wektory, Macierze, Rozwiązywanie Układów Równan

DL - 8.3 ("dośrubowywanie" wytrenowanych modeli)

DL - 8.3 ("dośrubowywanie" wytrenowanych modeli)

DL - 8.2 (Keras - API funkcyjne)

DL - 8.2 (Keras - API funkcyjne)

DL - 8.1 (Używanie konwolucji do analizy danych sekwencyjnych)

DL - 8.1 (Używanie konwolucji do analizy danych sekwencyjnych)

DL - 7.3 (Tensorboard i monitorowanie treningu za pomocą callbacków)

DL - 7.3 (Tensorboard i monitorowanie treningu za pomocą callbacków)

DL - 7.2 (zaawansowane użycia sieci rekurencyjnych)

DL - 7.2 (zaawansowane użycia sieci rekurencyjnych)

DL - 7.1 (zwizualizowanie czego uczą się sieci konwolucyjne)

DL - 7.1 (zwizualizowanie czego uczą się sieci konwolucyjne)

DL - 6.2 (podstawy sieci rekurencyjnych - SimpleRNN i LSTM)

DL - 6.2 (podstawy sieci rekurencyjnych - SimpleRNN i LSTM)

DL - 6.1 (przygotowanie danych tekstowych do trenowania)

DL - 6.1 (przygotowanie danych tekstowych do trenowania)

DL - 5.3 (transfer learning z użyciem pretrenowanej sieci konwolucyjnej)

DL - 5.3 (transfer learning z użyciem pretrenowanej sieci konwolucyjnej)

DL - 5.2 (prosty przykład trenowania sieci konwolucyjnej)

DL - 5.2 (prosty przykład trenowania sieci konwolucyjnej)

DL - 5.1 (Wprowadzenie do sieci konwolucyjnych)

DL - 5.1 (Wprowadzenie do sieci konwolucyjnych)

DL - 4.3 (uniwersalny workflow machine learningowy)

DL - 4.3 (uniwersalny workflow machine learningowy)

DL - 4.2 (przygotowywanie danych do trenowania)

DL - 4.2 (przygotowywanie danych do trenowania)

DL - 4.1 (ocena modeli machine learningowych)

DL - 4.1 (ocena modeli machine learningowych)

DL - 3.3 (4 rodzaje problemów w machine learningu)

DL - 3.3 (4 rodzaje problemów w machine learningu)

DL - 3.2 (Przykład regresji - przewidywania cen domów)

DL - 3.2 (Przykład regresji - przewidywania cen domów)

DL - 3.1 (Klasyfikacja artykułów z datasetu Reuters)

DL - 3.1 (Klasyfikacja artykułów z datasetu Reuters)

DL - 2.3 (Klasyfikowanie recenzji IMDB)

DL - 2.3 (Klasyfikowanie recenzji IMDB)

DL - 2.2 (Architektura sieci neuronowych)

DL - 2.2 (Architektura sieci neuronowych)

DL - 2.1 (Czym jest warstwa Dense i szczegóły gradient descent)

DL - 2.1 (Czym jest warstwa Dense i szczegóły gradient descent)

DL - 1.3 (Gradient descent i wnioski na koniec spotkania)

DL - 1.3 (Gradient descent i wnioski na koniec spotkania)

DL - 1.2 (Czym są tensory?)

DL - 1.2 (Czym są tensory?)

DL - 1.1 (Piszemy pierwszą sieć neuronową)

DL - 1.1 (Piszemy pierwszą sieć neuronową)

ISL - 21.3 (PCA i clustering na przykładzie datasetu NCI60)

ISL - 21.3 (PCA i clustering na przykładzie datasetu NCI60)

ISL - 21.2 (K-means clustering i hierarchical clustering w R)

ISL - 21.2 (K-means clustering i hierarchical clustering w R)

ISL - 21.1 (PCA w R)

ISL - 21.1 (PCA w R)

MforML - cześć 10 (podstawy wektorów)

MforML - cześć 10 (podstawy wektorów)

ISL - 20.2 (Metody klastrowania: k-średnich i hierarchiczne)

ISL - 20.2 (Metody klastrowania: k-średnich i hierarchiczne)

ISL - 20.1 (Teoria PCA)

ISL - 20.1 (Teoria PCA)

MforML - część 9 (pochodna cząstkowa)

MforML - część 9 (pochodna cząstkowa)

ISL - 19.2 (SVMki w R - ćwiczenia)

ISL - 19.2 (SVMki w R - ćwiczenia)

PHASE 2

PHASE 2

ISL - 19.1 (SVMki w praktyce w R)

ISL - 19.1 (SVMki w praktyce w R)

ISL - 18.3 (SVMs)

ISL - 18.3 (SVMs)

MforML - część 8 (wprowadzenie do 3 wymiarów)

MforML - część 8 (wprowadzenie do 3 wymiarów)

ISL - 18.2 (Intro to SVM: Support Vector Classifier)

ISL - 18.2 (Intro to SVM: Support Vector Classifier)

ISL - 18.1 (Intro to SVM: Maximal Margin Classifier)

ISL - 18.1 (Intro to SVM: Maximal Margin Classifier)

MforML - część 7 (gradient descent w 2 wymiarach)

MforML - część 7 (gradient descent w 2 wymiarach)

MforML - część 6 (minimum lokalne - intuicja, definicja, związek z pochodną)

MforML - część 6 (minimum lokalne - intuicja, definicja, związek z pochodną)

ISL - 17.4 (Exercise 11 from tree methods chapter)

ISL - 17.4 (Exercise 11 from tree methods chapter)

MforML - część 5 (pochodna - przykłady)

MforML - część 5 (pochodna - przykłady)

ISL - 17.3 (Exercises 7-10 from tree methods chapter)

ISL - 17.3 (Exercises 7-10 from tree methods chapter)

ISL - 17.2 (Bagging, Random Forests & Boosting in R)

ISL - 17.2 (Bagging, Random Forests & Boosting in R)

MforML - cześć 4 (granica sumy)

MforML - cześć 4 (granica sumy)

MforML - część 3 (pochodna - definicja)

MforML - część 3 (pochodna - definicja)

ISL - 17.1 (regression trees in R)

ISL - 17.1 (regression trees in R)

MforML - część 2 (granica - proste przykłady)

MforML - część 2 (granica - proste przykłady)

MforML - część 1 (granica - intuicja i definicja)

MforML - część 1 (granica - intuicja i definicja)

ISL - 16.4 (Bagging, random forests, boosting)

ISL - 16.4 (Bagging, random forests, boosting)

ISL - 16.3 (Decision trees in R)

ISL - 16.3 (Decision trees in R)

ISL - 16.2 (Tree pruning & classification trees)

ISL - 16.2 (Tree pruning & classification trees)

MforML - część 0 (Gradient Descent - motywacja)

MforML - część 0 (Gradient Descent - motywacja)

ISL - spotkanie 16.1 (Basics of decision trees)

ISL - spotkanie 16.1 (Basics of decision trees)

Analiza zbioru Titanic - część 3 (poprawiona cross-walidacja, ridge regression i lasso dla regresji)

Analiza zbioru Titanic - część 3 (poprawiona cross-walidacja, ridge regression i lasso dla regresji)

ISL - spotkanie 15 (Splines, Local Regression, GAMs & Splines in R)

ISL - spotkanie 15 (Splines, Local Regression, GAMs & Splines in R)

ISL - spotkanie 14 (Comparison of linear regression, best subset, ridge, lasso & basics of splines)

ISL - spotkanie 14 (Comparison of linear regression, best subset, ridge, lasso & basics of splines)

Analiza zbioru Titanic - część 2 (LDA, QDA i KNN - porównanie metod)

Analiza zbioru Titanic - część 2 (LDA, QDA i KNN - porównanie metod)

ISL - spotkanie 13 (In Practice: Subset Selection, Shrinkage and Dimension Reduction Methods)

ISL - spotkanie 13 (In Practice: Subset Selection, Shrinkage and Dimension Reduction Methods)

Analiza zbioru Titanic - część 1 (Wstępna analiza i regresja logistyczna)

Analiza zbioru Titanic - część 1 (Wstępna analiza i regresja logistyczna)

ISL - spotkanie 12 (Theory of Subset Selection, Shrinkage and Dimension Reduction Methods)

ISL - spotkanie 12 (Theory of Subset Selection, Shrinkage and Dimension Reduction Methods)

ISL - spotkanie 11 (Exercises about classification, cross-validation and bootstrap)

ISL - spotkanie 11 (Exercises about classification, cross-validation and bootstrap)

ISL - spotkanie 10 (Cross-validation and bootstrap)

ISL - spotkanie 10 (Cross-validation and bootstrap)

ISL - spotkanie 9 (Comparison of classification methods)

ISL - spotkanie 9 (Comparison of classification methods)

ISL - spotkanie 8 (Classification - LDA, QDA, KNN)

ISL - spotkanie 8 (Classification - LDA, QDA, KNN)

ISL - spotkanie 7 (Classification - logistic regression)

ISL - spotkanie 7 (Classification - logistic regression)

ISL - spotkanie 6 (Linear regression summary & exercises)

ISL - spotkanie 6 (Linear regression summary & exercises)

ISL - spotkanie 5 (Extensions of linear regression & potential problems)

ISL - spotkanie 5 (Extensions of linear regression & potential problems)

ISL - spotkanie 4 (Linear Regression)

ISL - spotkanie 4 (Linear Regression)

ISL - spotkanie 1 (Overview of statistical learning)

ISL - spotkanie 1 (Overview of statistical learning)

ISL - spotkanie 2 (How to estimate model and measure it's accuracy)

ISL - spotkanie 2 (How to estimate model and measure it's accuracy)

ISL - spotkanie 3 (Classification & intro to R)

ISL - spotkanie 3 (Classification & intro to R)