Ошибки прогнозирования можно разложить на два основных вида: смещение (bias) и дисперсия (variance). Компромисс между способностью модели машинного обучения минимизировать смещение и дисперсию является основой.

В прикрепленных файлах примеры хорошей визуализации для:
1️⃣ Простой модели с недообучением (underfitting). В данном случае модель игнорирует полезную информацию, и ошибка состоит в основном из смещения. Модель слишком проста для точного отражения взаимосвязей между признаками X и меткой Y.

2️⃣ Сложной модели с переобучением (overfitting). Здесь модель запоминает не общие закономерности, и ошибка состоит в основном из дисперсии. Модель вместо того чтобы изучать истинные тенденции, лежащие в основе набора данных, запомнила шум и не может обобщить наборы данных, выходящие за рамки обучающих данных.

Идеальная модель стремится минимизировать как смещение, так и дисперсию. Достижение такого баланса дает минимальную ошибку.

Более подробно можно почитать здесь 👉 https://bit.ly/3x5xBO9

⬛ Напоминаем, что сегодня последний день Black Week ⬛

Еще можно успеть приобрести курсы по самым привлекательным ценам 😉
Но времени осталось мало...

Ссылка на Black Week
👉 ЗДЕСЬ 👈

Завтра - 25 ноября мы запускаем 2 дневный интенсив по Data Science с конкурсом в Kaggle.
Тема: "Прогнозирование банкротства в Тайване".

По уже сложившейся традиции будем работать с реальными данными 🦾

Чего ждать от интенсива Dwthon (4 выпуск) :
​​✅ попрактикуетесь в языке Python
✅ создадите и потренируете модели машинного обучения
✅ примите участие в конкурсе в Kaggle
✅ 100% онлайн
✅ 100% практики
✅ стартеры, которые помогут правильно действовать
✅ доступ к материалам 24/7
✅ сертификат и др.

Dwthon4 - это новый материал для нашего клуба (DWClub), но в течение 2 дней в интенсиве могут принять участие все желающие.
Количество мест ограничено 👉 https://bit.ly/3HRigWD

🔴🔴Начинаем наш вебинар по сегодняшнему интенсиву - https://www.youtube.com/watch?v=FMmxB_CdwLA.

Cсылка на презентацию здесь https://bit.ly/3CWhrb3

Что такое объяснимый искусственный интеллект (XAI)?

Говоря об искусственном интеллекте, многие думают об алгоритмах черного ящика, которые берут миллионы точек входных данных, творят чудеса и выдают невероятные результаты.

С помощью объяснимого ИИ (белого ящика) пользователи могут понять причину его решений, что делает его все более популярным в бизнес-среде.

Эти модели не так впечатляющи технически, как алгоритмы черного ящика, но более предпочтительны для строго регулируемых отраслей за счет более высокой надежности.

Национальный институт стандартов и технологий США (NIST) разработал 4 принципа XAI:
1️⃣ Система должна быть в состоянии объяснить свой результат и предоставить подтверждающие доказательства (как минимум)

2️⃣ Данное объяснение должно быть содержательным, позволяя пользователям выполнять свои задачи.

3️⃣ Это объяснение должно быть четким и точным, что отличается от точности вывода.

4️⃣ Система должна работать в установленных пределах знаний, чтобы гарантировать разумный результат.

Сегодня в 19-30 по Москве пройдет вебинар, посвященный итогам конкурса в Kaggle "Прогнозирование банкротства компаний в Тайване".

На вебинаре участники с результатами из ТОП5 расскажут, как им это удалось :).

Ссылка на вебинар 👉 https://www.youtube.com/watch?v=xD4HRru2kxY

15 декабря в рамках нашего клуба стартует второй выпуск DWGym - практические тренажеры по Python🥳.

В этот раз будем 3 дня практиковаться с одной из самых популярных и практически применимых библиотек для Python - Pandas.

🐼Pandas - одна из лучших библиотек для проведения различных манипуляций с данными.

Преимущества Pandas:
✅Наглядные, быстрые и податливые структуры данных.
✅Поддерживает такие операции, как группировка, интеграция, итерация, повторное индексирование и представление данных.
✅Данная библиотека очень гибкая в использовании с другими библиотеками.
✅Наличие встроенных функций управления данными, для реализации которых требуется минимальное количество команд.

👉Для подписчиков клуба доступ к материалам онлайн-тренажера останется на все время подписки в клубе.

👉При бесплатном участии, доступ к материалам будет предоставлен только на 3 дня.

🔥Ссылка для подписки в клуб - https://bit.ly/3BeA0XB

🔥Ссылка на бесплатную регистрацию - https://bit.ly/3GwJU9Q

Машинное обучение ориентировано на разные профессии.
И использовать его можно/нужно практически в любом домене.

Недавно Владимир записал подкаст с тремя своими выпускниками на польских курсах по машинному обучению.

1️⃣Bartek - работает в банке, работает с данными рынка недвижимости.

2️⃣Jarek - практически все время работает в сфере информационных технологий, с использованием новейших технологий, в различных компаниях, на крупных предприятиях, в крупных иностранных корпорациях или небольших компаниях.

3️⃣Mateusz - занимается аналитикой более 10 лет, в основном в строительной отрасли, в CEMEX.

Их размышления по теме практического применения машинного обучения (и не только), можно послушать/почитать на польском здесь - https://bit.ly/3E6Zmb9

Или в русском переводе здесь - https://bit.ly/3E6Zmb9

Что такое "Временные ряды" (Time Series)? 🧐

Это последовательность данных в хронологическом порядке, где каждая точка данных привязана к определенному моменту времени. ⏳

Цель анализа временных рядов - изучить и понять закономерности изменений во времени.

Анализ временных рядов используется в различных областях:

✅прогнозирование погоды,
✅прогнозирование урожайности,
✅финансы,
✅прогнозирование спроса и цен,
✅обработка сигналов,
✅инженерная область - системы управления,
✅системы связи и т.д.

С машинным обучением прогнозирование временных рядов становится быстрее, точнее и эффективнее в долгосрочной перспективе.

🤖Доказано, что машинное обучение помогает лучше обрабатывать как структурированные, так и неструктурированные потоки данных, быстро фиксируя точные закономерности в массивах данных.

По мере того, как технология прогнозирования временных рядов продолжает совершенствоваться, потенциал улучшения жизни предприятий и частных лиц во всем мире становится все более ощутимым и впечатляющим🥳

🧐Какой язык программирования является лучшим для Data Science?

🏆Вне всякого сомнения - Python по-прежнему остается фактическим победителем среди других языков программирования.

🧠Специалисты в области науки о данных и машинного обучения способствовали внедрению языка программирования Python.

Онлайн-библиотеки, сообщество и система поддержки Python просто невероятны и демонстрируют, как наука о данных является глобальным сообществом учащихся и практиков.

Это способствует развитию духа сотрудничества в Интернете для улучшения данных и систем искусственного интеллекта в обществе. Python как таковой - это не только инструмент, но и культура.

🐍Python поставляется со множеством интеграций для множества языков программирования и библиотек и, таким образом, является вероятной отправной точкой для проникновения в науку о данных и в мир искусственного интеллекта в целом.

🥳Кстати, согласно TIOBE, Python уже 3 месяца уверенно лидирует среди других языков программирования и его популярность только растет.

Совсем скоро наступит Новый год🎄.
А вы еще не решили как порадовать себя или своих близких?🎁

Курсы от DataWorkshop - это отличный подарок для всех.
Ведь это не просто подарок, а инвестиция в будущее 🤗.

Сейчас наши курсы для Data Science можно приобрести со скидкой до 40%.

Новогодняя распродажа продлится всего 6 дней - c 26 по 31 декабря.

Пусть наступающий год принесет новые возможности, а свое развитие в области Data Science можно спокойно доверить DataWorkshop.

Все в ваших руках ❤️

Здесь приобретают лучшие подарки 👉 https://bit.ly/3Fu4OWR

А вот и правильный ответ 🙂