Кластеризация и классификация
Метод k-средних, классификация по ближайшим соседям и логистическая регрессия
Уроки этого курса доступны после регистрации. Демо без аккаунта показывает механику платформы на примере задачи с роботом по алгоритмике.
Начальные приближения
Пример показывает устройство урока. Чтобы решать задания, откройте курс после регистрации.
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 платформы доступно без аккаунта. Для уроков выбранного курса и сохранения прогресса нужна регистрация.
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.
Ошибки классификации
Находите точки, которые классификатор отнёс к чужому классу, и распознавайте два вида ошибок.
Простой классификатор
Выбирайте положение разделяющей границы, минимизируя число ошибочно классифицированных точек.
Вероятностная классификация
Сравнивайте уверенность классификатора по расстоянию точки до разделяющей границы.
Пиксели
Как изображение кодируется числами и почему это важно для классификатора.
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 курс бесплатно
Создайте аккаунт, чтобы открыть уроки этого курса и сохранять прогресс.