[01] Մեքենայական ուսուցման ներածություն. Գծային ռեգրեսիա | Մեքենայական ուսուցում

🔗 Դասընթացին միանալու հղումը՝ https://t.me/metric_academy 📚 Նյութը՝ https://hayktarkhanyan.github.io/pyth... ⏳ Թեմաներ՝ (Opus 4.7) 0:00 Ներածություն. ML բաժնի սկիզբը 1:13 Որտեղ է ML-ը կիրառվում. օրինակներ 4:13 AI vs ML vs Deep Learning. Թյուրինգից սկսած 6:08 Կառավարվող, չկառավարվող, reinforcement, self-supervised 15:58 Այգու մետաֆորը. մոդել, սխալանք, թարմացում 19:39 Մոդելը և հիպոթեզների տարածությունը 23:13 Կոնկրետ ռեգրեսիայի օրինակ (օֆիսի պրոդուկտիվություն) 26:53 Learner. ալգորիթմ + կոնֆիգուրացիա → մոդել 28:01 Loss function. L2 vs L1, ինչու քառակուսի 31:36 Էմպիրիկ ռիսկ 35:50 ERM և գրադիենտի վայրեջք 39:16 Learning rate. չափից մեծ կամ փոքր ընտրելու հետևանքները 40:55 Գծային ռեգրեսիա. SSE և normal equation 43:51 Տնային աշխատանք և Python գործիքներ (VS Code, Colab) 46:13 Մոտակա շաբաթների ML plan-ը 51:33 Կազմակերպական. հաջորդ դաս, Telegram, ֆիդբեք 📌 Նկարագիր (Opus 4.8) Դե, բարի գալուստ :^) Սկսում ենք պարադիգմաների ակնարկից (supervised, unsupervised, reinforcement, self-supervised՝ կլասիֆիկացիայի և ռեգրեսիայի օրինակներով), հետո անցնում ենք այգում միրգ քաղելու մետաֆորին, որով հիմնավորում ենք երեք հիմնական բաղադրիչը՝ մոդել, սխալանք (loss), և թարմացում (update)։ Հետո սաղ ինչը ֆորմալիզացնում ենք. հիպոթեզների տարածությունը, պարամետրերը, Learner-ը (ալգորիթմը, որը տվյալներից և կոնֆիգուրացիայից վերադարձնում ա մոդել), L2/L1 loss-ները ինչու քառակուսի, էմպիրիկ ռիսկը և ERM-ը (Empirical Risk Minimization), գրադիենտի վայրեջքը ու learning rate-ի դերը։ Վերջում գծային ռեգրեսիան որպես առաջին կոնկրետ մոդել՝ SSE և normal equation-ի (closed-form (X^T X)^-1 X^T y) ակնարկ, որի ամբողջական դուրսբերումը հաջորդ դասում ա։ Դասի վերջում քննարկվում են տնային աշխատանքի կազմակերպումը (VS Code/Colab) և մոտակա շաբաթների plan-ը (պոլինոմիալ ռեգրեսիա, bias-variance, classification, ծառեր/անտառներ, գուցե SVM և վերջում նեյրոնային ցանցեր)։ #MachineLearning #մեքենայականուսուցում #LinearRegression #SupervisedLearning #GradientDescent #ERM #ML #մաթեմատիկա #գծայինռեգրեսիա #Metric #ML1