import pandas as pd

data = pd.DataFrame({
    'age': [25, 30, 35, 40],
    'salary': [50000, 60000, 80000, 70000]
})

# Выбрать людей с зарплатой > 60k и возрастом < 35
filtered = data[data['salary'] > 60000 and data['age'] < 35]
print(filtered)

Операторы and/or не работают поэлементно. Нужны & и |, и скобки

filtered = data[(data['salary'] > 60000) & (data['age'] < 35)]
print(filtered)

Компании ищут не только хард-скиллы, но и мотивацию. Если вы показываете, что умеете доводить задачи до конца, шанс на оффер резко растёт.

Занятия будут проходить онлайн, с возможностью напрямую пообщаться со спикером курса – Сергеем Жестковым. Занятия будут проходить раз в неделю по 1,5 часа в ZOOM. По каждой теме будут домашние задания с проверкой.

Мы в начале обучения проведем опрос в закрытом телеграм-канале с участниками курса, чтобы выбрать удобный день недели или удобную дату и время предстоящего вебинара. Так каждый участник курса и преподаватель смогут быть в удобное для всех время. Обычно занятия проводятся вечером в будние дни.

Курс новый, нам важно собрать обратную связь от учеников, так что на первый поток мы сделали скидку – сейчас этот курс стоит 22 000 рублей. Курс можно оплатить в рассрочку, по частям или от компании. Со следующего потока курс будет стоить 38 000 рублей.

На этот курс запланировано 20-25 человек. Осталось 5 мест.

1. L2-регуляризация (Ridge) добавляет квадратичный штраф, сглаживает ландшафт, делая экстремумы менее острыми и смещая их ближе к нулю. Это способствует устойчивости оптимизации и уменьшает чувствительность к шуму в данных.
2. L1-регуляризация (Lasso) делает ландшафт негладким — возникают "углы" вдоль осей, стимулируя зануление весов. Это создает разреженные решения, особенно полезные для отбора признаков.

В целом, регуляризация деформирует функцию потерь, направляя оптимизацию к более простым и обобщающим моделям.

Bootstrap — это метод статистического ресемплинга с возвращением из исходной выборки для оценки устойчивости и разброса метрик модели без привлечения новых данных. На практике его используют для построения доверительных интервалов, оценки ошибки модели и проверки стабильности результатов на ограниченных данных. Благодаря bootstrap можно получить более надёжные оценки качества и избежать переоценки модели на тренировочных данных.

Bootstrap активно используется в Random Forest для построения каждого дерева на случайной подвыборке с возвращением из обучающего датасета. Это обеспечивает разнообразие деревьев и снижает корреляцию между ними, что улучшает обобщающую способность ансамбля, снижая дисперсию модели.