Кластеризация и классификация
Метод k-средних, классификация по ближайшим соседям и логистическая регрессия
Начальные приближения
Выполните первый шаг и сразу проверьте себя.
10 коротких уроков
По 7-10 минут: можно пройти за один подход или возвращаться по частям.
Интерактив вместо конспекта
Ученик решает задачу, проверяет ответ и видит объяснение следующего шага.
Спокойный старт
Демо без оплаты и карты, а аккаунт нужен только чтобы сохранить прогресс.
Как данные делятся на группы и классы
Курс подходит тем, кто хочет понять две базовые идеи машинного обучения: найти группы без ответов и классифицировать объект по признакам.
Начальные приближения
Найдите центры кластеров методом k-средних и убедитесь, что разные начальные приближения дают разные результаты.
Инерция
Научитесь измерять, насколько плотно кластер собран вокруг своего центра, и освойте определение инерции.
Суммарная инерция
Научитесь складывать инерции нескольких кластеров и выбирать лучшее разбиение по суммарной инерции.
Если объект попал в неверный класс, урок показывает признаки, по которым модель сделала выбор, и почему граница спорная.
Откройте шаг «Начальные приближения» и выполните действие в модели.
Ошибка не заканчивает задание: она запускает объяснение на схеме.
Ученик видит идею на модели и переносит её в самостоятельное решение.
Маршрут курса
От признаков объектов к группам, классам и ошибкам модели.
Начальные приближения
Найдите центры кластеров методом k-средних и убедитесь, что разные начальные приближения дают разные результаты.
Инерция
Научитесь измерять, насколько плотно кластер собран вокруг своего центра, и освойте определение инерции.
Суммарная инерция
Научитесь складывать инерции нескольких кластеров и выбирать лучшее разбиение по суммарной инерции.
Оптимизация
Обновите центры четырёх кластеров и убедитесь, что метод k-средних минимизирует суммарную инерцию.
Сколько брать кластеров
Изучите зависимость суммарной инерции от числа кластеров k и освойте эвристику «локтя» для выбора k.
Классификация
Предсказывайте класс неизвестной точки по ближайшим соседям и разделяющей линии.
Нет перегруза: сначала основная идея, затем проверка понимания и самостоятельное применение.
Ученик сразу видит, где ошибся, и получает объяснение через схему.
Курс строится от первого знакомства с идеей к более самостоятельным задачам.
После регистрации можно продолжить курс и вернуться к сложным темам.
Регрессионный анализ
Корреляция, линейная и множественная регрессия, остатки и построение моделей
Статистика на каждый день
Среднее, медиана, мода и диаграммы — основы описательной статистики.
Визуальный анализ данных
Учимся читать и строить графики данных: столбчатые и круговые диаграммы, диаграммы размаха, линейные графики, диаграммы рассеяния, гистограммы и преобразование таблиц данных — на реальном кейсе Airbnb.
Как работают LLM
Языковые модели, лежащие в основе генеративного ИИ: от корпуса и вероятностей до N-грамм
В чём разница между кластеризацией и классификацией?
Кластеризация ищет группы без заранее известных ответов, классификация относит объект к известному классу.
Нужно ли программировать?
Для первых уроков нет. Главная цель — понять идею признаков, групп и границ.
Почему модель ошибается?
Данные могут быть шумными, признаки неполными, а объекты на границе классов похожи сразу на несколько групп.
Подойдёт школьнику?
Да, если интересны данные, ИИ и логика работы простых моделей.
Начните первый урок бесплатно
Решите первые задания, а затем сохраните прогресс в аккаунте.