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.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, None], 'B': [4, None, 6]})
df.fillna(0).dropna()
print(df)

fillna(0) возвращает DataFrame, но результат не сохраняется
dropna() вызывается на результате fillna, но тоже не сохраняется
Исходный df не изменяется, так как inplace=False по умолчанию

df = df.fillna(0).dropna()
Или
df.fillna(0, inplace=True)
df.dropna(inplace=True)