Для нас конец года и последний рабочий день в году — ещё не повод не делиться интересным и полезным😎

Сегодня мы обсудим основные типы обучения в машинном обучении: обучение с учителем, обучение без учителя и обучение с подкреплением. На примерах разберем их отличия и применения в реальных задачах. Давайте начнем!

1. Обучение с учителем
При обучении с учителем алгоритм обучается на размеченных данных, где каждая запись имеет соответствующий выходной результат. Задача алгоритма — научиться предсказывать этот результат на новых данных.

Пример: Регрессия

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Генерация данных
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([3, 4, 2, 5, 6])

# Обучение модели
model = LinearRegression()
model.fit(X, y)

# Предсказание
X_new = np.array([[6]])
y_pred = model.predict(X_new)

# Визуализация
plt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red')  # Линия регрессии по всем данным
plt.scatter(X_new, y_pred, color='green', label='Предсказание для X=6')  # Предсказанное значение
plt.noscript("Линейная регрессия")
plt.xlabel("X")
plt.ylabel("y")
plt.legend()
plt.show()

В результате выполнения этого кода вы получите график с точками исходных данных и линией регрессии, которая показывает зависимость между переменной X и предсказанными значениями y. Это позволяет визуально оценить качество модели линейной регрессии.

2. Обучение без учителя
Обучение без учителя используется на неразмеченных данных. Алгоритм пытается найти скрытые структуры или паттерны в данных без явных меток.

Пример: Кластеризация

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# Генерация данных
X, y = make_blobs(n_samples=300, centers=4, random_state=42)

# Обучение модели
kmeans = KMeans(n_clusters=4)
kmeans.fit(X)

# Предсказание кластеров
y_kmeans = kmeans.predict(X)

# Визуализация
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75)
plt.noscript("Кластеризация K-средних")
plt.show()

В результате выполнения этого кода вы получите график с точками, представляющими сгенерированные данные, окрашенными в зависимости от их принадлежности к кластерам. Красные точки обозначают центры найденных кластеров. Это позволяет визуально оценить качество кластеризации и распределение данных по кластерам.
🔽

(продолжение)

3. Обучение с подкреплением
Обучение с подкреплением позволяет агенту обучаться через взаимодействие с окружающей средой. В этом процессе агент принимает решения, выполняет действия и получает обратную связь в виде вознаграждений или штрафов. Цель агента — максимизировать общее вознаграждение за определённый период времени.

Пример кода: Задача балансировки палки на движущейся тележке.

import gym
import numpy as np

# Создание среды
env = gym.make('CartPole-v1')

# Параметры
num_episodes = 1000
max_steps = 200
reward_list = []

for episode in range(num_episodes):
    state = env.reset()
    total_reward = 0
    
    for step in range(max_steps):
        # Выбор действия (случайное действие)
        action = env.action_space.sample()
        
        # Выполнение действия и получение нового состояния и вознаграждения
        next_state, reward, done, _, _ = env.step(action)
        
        total_reward += reward
        
        if done:
            break
        
        state = next_state
    
    reward_list.append(total_reward)

# Закрытие среды
env.close()

# Вывод результатов
print(f"Среднее вознаграждение за {num_episodes} эпизодов: {np.mean(reward_list)}")

После выполнения этого кода вы получите среднее вознаграждение: это значение будет отражать, насколько хорошо агент справляется с задачей балансировки палки на тележке.


Каждый из этих типов обучения имеет свои уникальные применения и подходы, позволяя решать широкий спектр задач в области машинного обучения и искусственного интеллекта.

🟠Файл с кодом

По традиции, давайте наберем 50🔥, если тема интересная и нам следует дальше писать про ML.

Друзья, спасибо за вашу активность! Мы увидели, что тема вам интересна, так что... продолжаем🦾

Сегодня мы завершаем нашу серию постов о машинном обучении и погружаемся в мир его алгоритмов. Разберемся, как работают эти алгоритмы и как они могут изменить наш подход к решению задач.

Алгоритмы машинного обучения: Линейная и логистическая регрессия, деревья решений
Эти алгоритмы широко используются в различных задачах и имеют свои особенности.

1. Линейная регрессия
Линейная регрессия — это один из самых простых и популярных методов машинного обучения, используемый для моделирования зависимости между одной зависимой переменной (целевой переменной) и одной или несколькими независимыми переменными (предикторами). Этот метод позволяет предсказывать значения целевой переменной на основе значений предикторов, что делает его полезным в различных областях, таких как экономика, биология и социальные науки.

Она описывается уравнением:
y=aX + b, где a — коэффициент наклона, b — свободный член.

Применение: Линейная регрессия часто используется для прогнозирования числовых значений, таких как цены на жилье или продажи товаров. Она также помогает в анализе данных, позволяя выявить, какие переменные оказывают наибольшее влияние на целевую переменную.

Оценка модели: Для оценки качества модели применяются метрики, такие как среднеквадратичная ошибка (MSE) и коэффициент детерминации (R²). MSE показывает, насколько предсказанные значения отклоняются от фактических значений, а R² указывает на долю вариации зависимой переменной, объясняемую моделью

Пример создания модели:

from sklearn.linear_model import LinearRegression

# Создание и обучение модели
model = LinearRegression()
model.fit(X, y)

2. Логистическая регрессия
Логистическая регрессия используется для задач бинарной классификации. Она позволяет предсказывать вероятность принадлежности объекта к определенному классу (например, "да" или "нет"). Этот метод основан на логистической функции и преобразует линейную комбинацию входных переменных в вероятность. Логистическая регрессия описывается следующим уравнением:
P(Y=1∣X)= 1/(1+e^−(aX+b)), где P(Y=1∣X) — вероятность того, что событие произойдет.

Применение: Логистическая регрессия широко используется в медицинской диагностике (например, для прогнозирования наличия болезни), оценке кредитоспособности и выявлении мошенничества. Она позволяет эффективно классифицировать объекты на основе различных признаков.

Пример создания модели:

from sklearn.linear_model import LogisticRegression

# Создание и обучение модели
model = LogisticRegression()
model.fit(X, y)

3. Деревья решений
Деревья решений представляют собой интуитивно понятный метод классификации и регрессии. Они делят данные на подгруппы на основе значимых атрибутов, создавая структуру в виде дерева. Каждый узел дерева представляет собой условие на одном из признаков.

Применение: Деревья решений используются в бизнес-аналитике для принятия решений и анализа рисков. Они легко интерпретируемы и визуализируемы, что делает их популярными среди специалистов по данным.

Пример создания модели:

from sklearn.tree import DecisionTreeClassifier

# Создание и обучение модели дерева решений
model = DecisionTreeClassifier()
model.fit(X, y)

🟠 Файл с кодом

Если у вас есть вопросы или вы хотите узнать больше о конкретных алгоритмах или примерах, пишите в комментариях! 🚀

Дорогие друзья, коллеги и студенты!

Новый год — это время подводить итоги, строить планы и мечтать о будущем. В этом году мы с нами прошли множество интересных и значимых этапов:

🍊 Разработали и запустили 3 новых курса: «BI-аналитик», «Инженер данных», «Инженер машинного обучения». И всё это — на собственной LMS;

🍊 Около 1000 студентов пришло к нам учиться на платные программы;

🍊 Более 24 тысяч регистраций на наши бесплатные курсы и вебинары;

🍊 Было совершено более 10 миллионов попыток выполнения/проверки кода. Только представьте себе эту цифру! То есть каждые 3 секунды совершается минимум 1 попытка в наших тренажерах!

🍊 Получили государственную образовательную лицензию и стали резидентом Сколково;

🍊 Заняли 1 место по 3 ключевым номинациям (уровень материалов, общая оценка, готовность рекомендовать нас) в независимом исследовании Left Join;

🍊 Расширили команду — это те люди, которые трудятся, чтобы вы получили лучшее на рынке обучение в аналитике❤️

И многое-многое другое.

В наступающем году мы готовим для вас еще больше образовательных курсов, возможностей на успешную карьеру и просто полезных материалов (спойлер: начинаем уже 1 января).

Спасибо, что были с нами все это время — читали наши посты, смотрели наши вебинары, проходили наши платные и бесплатные программы, решали задачки и оставляли классный фидбек. Мы вас любим — вы у нас лучшие ❤️

Мы благодарны каждому из вас за то, что вы стали частью нашего комьюнити Simulative. Пусть 2025 год станет для вас временем ярких свершений, новых знаний и успешных проектов. Мы искренне желаем, чтобы все ваши мечты сбывались, а каждый день приносил радость и вдохновение.

✨Приглашаем вас поделиться своими итогами уходящего года и пожеланиями на будущий в комментариях. Давайте вместе создадим атмосферу поддержки, мотивации и просто неуловимого новогоднего настроения, чтобы вступить в новый год с новыми силами и амбициями!

Счастливого Нового года! 🥂

Друзья, ну что ж — мы сделали это! Выжили в 2024 году и перешли в новый сезон нашей жизни ;)

Каждый день, начиная с сегодня и до 8 января, вы будете получать новый ресурс — будь то статья, видео или запись вебинара, которые обогатят ваши знания, а еще помогут вам преодолеть сомнения относительно обучения и карьеры в области аналитики.

Начнем путь к обновлению карьеры с подкаста, где успешные аналитики делятся историями и советами. Они помогут вам найти вдохновение и уверенность в том, что изменения — это правильный шаг.

Подписывайтесь на наш адвент-календарь и следите за обновлениями. Пусть 2025 год станет для вас годом успеха и вдохновения!

➡️ Перейти в адвент-календарь

Подготовили для вас статью «Как преодолеть страхи перемен, начать учиться и не бросить».

Вы узнаете, как не опускать руки, даже если изучение аналитики кажется слишком сложным, и получите мотивацию для продолжения своего обучения.

➡️ Перейти в адвент-календарь

Бесплатный тест для оценки навыков аналитика данных

Проведя сотни интервью и собеседований на позицию аналитика, мы всё чаще убеждаемся, что многие специалисты не могут адекватно оценить свои навыки: кто-то страдает от синдрома самозванца, а кто-то переоценивает себя.

Бесплатный тест для оценки навыков аналитика данных, с помощью которого мы выявим ваши сильные и слабые стороны по всем основным навыкам, а после прохождения дадим вам персональные рекомендации для дальнейшего профессионального развития.

➡️ Перейти в адвент-календарь

Очень важно с самого начала четко определить для себя — в какую область аналитики вы хотите пойти. Мы подготовили для вас обзорную статью, которая поможет разобраться в направлениях аналитики и выбрать подходящее.

➡️ Перейти в адвент-календарь

Как аналитик решает задачи?

Чем вообще аналитик занимается на работе? Делимся с вами записью эфира, где решаем тестовое задание на junior-аналитика в Банк Открытие. Решим 4 задания по SQL, проанализируем активность клиентов с помощью Pandas, предложим 3 метрики первого уровня для интернет-банка.

➡️ Перейти в адвент-календарь

Что делает BI-аналитик?

BI-аналитик — это специалист, играющий ключевую роль в преобразовании больших объемов данных в понятные и полезные отчеты. Основная задача BI-аналитика заключается в том, чтобы помочь компаниям принимать обоснованные стратегические решения на основе анализа данных.

Собрали для вас записи вебинаров о том, как BI-специалисту собрать красивые и информативные отчеты:
🟠 Переделываем плохой отчет в красивый и информативный с помощью Power BI
🟠 Как просто верстать отчёты в Power BI и не страдать
🟠 Как BI-аналитику выделиться на рынке с помощью дата-арта и сторителлинга

➡️ Перейти в адвент-календарь

Менторская программа «Аналитик данных» — это эволюция курса-симулятора «Аналитик данных». Что же отличает менторскую программу от базового и продвинутого тарифов курса-симулятора:

🟠 Персональный трек: сначала проводим тестирование по хард и софт скиллам и, учитывая ваши цели, составляем индивидуальный план обучения, максимально быстро и качественно приводящий к цели;
🟠 Гарантированный прогресс от недели к неделе — всё благодаря регулярным консультациям с менторами, ведущими аналитиками и еженедельного трекинга от HR. А поиск работы мы начнем уже с первых месяцев;
🟠 Часть стоимости вы платите только когда мы доведём вас до оффера. В случае, если по итогам менторской программы работу найти не получится, вы не оплачиваете стоимость сопровождения (43% от первого платежа).

В остальном обучение базируется на наших стандартах высокого качества:
🟠Обучаем на интерактивной платформе — видеоуроки, текстовые лекции, конспекты;
🟠Решаем настоящие коммерческие задачи на реальных проектах от компаний-партнёров;
🟠Поддержка преподавателей и кураторов в процессе обучения.

Чтобы начать своё движение к успешной карьере — оставляйте заявку на сайте. Старт потока уже совсем скоро — 15 января. Ждём вас среди наших студентов!

Познаём SQL

SQL — незаменимый инструмент любого аналитика. А Join в SQL — это оператор, который используется для объединения данных из двух или более таблиц, и еще один незаменимый инструмент. Рассказываем, как им пользоваться.

➡️ Прочитать статью

Штош… Каникулы подошли к концу, как и наш адвент-календарь.

Под завершение подготовили для вас небольшой чек-лист по машинному обучению: что надо знать, чтобы вас считали специалистом в машинном обучении.

➡️ Открыть адвент-календарь

И ещё важный момент – сегодня последний день новогодней акции! Скидка 15% распространяется на все курсы и будет действовать до конца сегодняшнего дня. Чтобы её применить — оставляйте заявку и используйте промокод NEWYEAR2025. Начать обучение можно сразу в день оплаты, не дожидаясь официального старта потока.

P.S. Приглашаем в комментарии, обсудить, как прошли первые дни нового года и какие впечатления от предстоящих трудовых будней.

Время действовать: откройте двери в мир аналитики данных в 2025 году!

Новый год — время новых возможностей и амбициозных целей. Если вы мечтаете о карьере в аналитике данных, сейчас самое время сделать первый шаг. Начав обучение уже сегодня, вы сможете стать полноценным участником рынка труда к началу сезона найма в осенний период!

Что вас ждет на курсе?
🟠 Решите более 500 бизнес-задач в интерактивном тренажере, получите поддержку преподавателей и, по сути, пройдете стажировку начинающим аналитиком.

🟠 По окончании обучения вы получите диплом, который подтвердит ваши знания и навыки в области аналитики данных.

🟠 87% наших выпускников находят работу своей мечты всего за 2 месяца после окончания курса. Это отличный шанс для вас начать карьеру в востребованной сфере!

🟠 На VIP тарифе мы не просто обучим вас, но и проведем за руку до самого оффера. Мы поможем вам подготовиться к собеседованиям и уверенно войти в мир аналитики.

⚡️ Специальное предложение продлевается!
Недавно мы запустили объединенные программы двух или даже трех курсов. Такое трек-обучение пользуется спросом, поэтому мы продлеваем спецпредложение. На выбор три трека: аналитик данных с сильной экспертизой в BI, аналитик-инженер данных: 2 в 1, фулстек-аналитик. Выгода до 21%!

Не упустите возможность изменить свою жизнь к лучшему! Записывайтесь на курс «Аналитик данных» и начните свой путь к успешной карьере уже сегодня.

Разбираем тестовое задание в Альфа Банк на позицию Junior Аналитика данных

Входим в рабочий режим и продолжаем традицию разборов тестовых заданий в прямом эфире. 14 января в 19:00 по МСК проведем вебинар, где Денис Иванов разберет тестовое задание в Альфа Банк на позицию Junior аналитика данных. Денис — ведущий продуктовый аналитик и автор телеграм-канала «Денис и аналитика».

Что будем делать на вебинаре:
🟠 Напишем сложные SQL-запросы для банковских данных;
🟠 Вспомним, как правильно использовать оконные функции;
🟠 Узнаем, как создавать разметку, из чего она состоит и для чего она нужна;
🟠 На реальных данных проведем когортный анализ и сделаем выводы;
🟠 Расскажем, как доставать инсайты из данных.

➡️ Зарегистрироваться

#вебинар

Около 80-85% людей, живущих на нашей планете, являются визуалами. Такие люди лучше всего воспринимают информацию глазами. Но когда информация отрисована в виде таблицы, невозможно быстро взглянуть на нее и сделать тот или иной вывод. Поэтому зачастую люди прибегают к построению графиков.

В России бизнес в основном использует Power BI. Согласно данным исследования компании Visiology им пользуются более 65% компаний.

Собрали для вас в статью базовую информацию по инструменту: от установки и возможностей программы до построения графиков, автоматизации задач и использования DAX.

➡️ Читать статью

Ставьте 🔥, чтобы мы понимали, что статья актуальная — будем писать больше.

Присоединяйтесь сегодня в 19:00 по МСК к нашему вебинару «Разбираем тестовое задание в Альфа Банк на позицию Junior аналитика данных». Спикер: Денис Иванов — ведущий продуктовый аналитик и автор телеграм-канала «Денис и аналитика».

Что будем делать на вебинаре:
🟠 Напишем сложные SQL-запросы для банковских данных;
🟠 Вспомним, как правильно использовать оконные функции;
🟠 Узнаем, как создавать разметку, из чего она состоит и для чего она нужна;
🟠 На реальных данных проведем когортный анализ и сделаем выводы;
🟠 Расскажем, как доставать инсайты из данных.

➡️ Зарегистрироваться

Методичка по рекламным метрикам

Друзья, собрали в одном файле основные рекламные метрики на примерах реального бизнеса, которые должен знать и уметь рассчитывать каждый аналитик. Скорее забирайте методичку себе!

Почему стоит скачать эту методичку?
🟠 Узнаете какие метрики важны для оценки эффективности рекламных кампаний и как их правильно измерять;
🟠 Методичка содержит примеры расчетов и формул для быстрой и точной оценки результатов рекламных кампаний;
🟠 Собраны советы по оптимизации рекламных кампаний и улучшению их результативности на основе анализа метрик;
🟠 Сможете повысить эффективность своих рекламных кампаний и увеличить конверсию своего бизнеса.

➡️ Получить материал

#полезность