Готовимся к работе в Data Science, pro

✍️ Готовимся к работе в Data Science, pro #ml (ч.10) После знакомства с семействами метрических и логических классификаторов самое время закрыть гештальт по работе с вероятностными алгоритмами. Самый яркий представитель данного семейства: наивный Байесовский классификатор. На собеседовании вас обязательно спросят: 1 Почему классификатор "наивный"? спойлер 2 Почему он Байесовский? Подсказки: 1. Байесовская статистика (Bayesian statistics) vs Частотная (классическая) статистика (Frequentist statistics) 2. Теорема Байеса 3 Как происходит обучение и как выглядит решающее правило? Изучите понятия правдоподобия, априорной и апостериорной вероятности. Теперь, когда теория разобрана, предлагаем перейти к практике. Задача 20 newsgroup Изучите датасет 20 newsgroups и научитесь с ним работать: from sklearn.datasets import fetch_20newsgroups Выберите пару (или больше) интересующих вас классов и оцените качество работы вероятностного алгоритма классификации из модуля: from sklearn import naive_bayes 1. Разберитесь каким именно образом текст превращается в численные характеристики и какое распределение используется под капотом. 2. Сравните качество с другими семействами алгоритмов. Смело присылайте ваши картинки и расследования в чат под катом. Задача "старый добрый гейзер" (Йеллоустоун) 1 Проведите разведочный анализ данных датасета на Kaggle . 2 Дополните красивыми визуализациями. 3 Выложите ваше расследование в формате ipynb , чтобы прокачать свой профиль на Kaggle. Также присылайте ссылку на ваше расследование, чтобы вдохновиться и полайкать 🤗 Last, but not least Как сказал британский ученый: в сущности, все модели неправильны, но некоторые полезны (c) Джордж Бокс. Любая модель описания мира — это приближение. Но их точности часто достаточно для решения поставленных предсказательных задач. Например, какое ваше следующее действие — позалипать в рилс, почитать новости или поучиться? 🚀 Что делать, если вы хотите двигаться еще быстрее — записаться на Практический курс по Machine Learning — пройти тестирование по ML — познакомиться с авторами курса Остались вопросы? Напишите нам в [ WA / TG ] Полезная информация Прошлые выпуски: — ч.1 введение в ML и библиотеки ML для Python — ч.2 оценка качества работы алгоритмов и learning curves — ч.3 визуализация в анализе данных — ч.4 разведочный анализ данных и статистические интеграции — ч.5 оптимизация ML алгоритмов — ч.6 Hello, world в мире ML и алгоритм kNN — ч.7 презентация результатов в ML — ч.8 эксперименты с простыми алгоритмами ML — ч.9 что нужно знать при работе с деревьями ✍️ Сохраните и подпишитесь , если хотите быть востребованным в IT BigData Team : the way you learn best Py4BDA | Python | Machine Learning | Big Data | BD/ML Engineer #study #BigDataTeam