👨‍💻DEV [Stepik] Сергей Спирёв ― Машинное обучение: Метрики качества классификации и регрессии (2025)

[Odyvanchik]

[Stepik] Сергей Спирёв ― Машинное обучение: Метрики качества классификации и регрессии (2025)

О курсе

Когда я только начинал свой путь в изучении машинного обучения, тема метрик качества была для меня какой-то «головоломной». Вроде бы и нет в ней какого-то совсем уж сложного математического аппарата, но когда в неё углубляешься, то в голове каша и винегрет из понятий, формул, терминов. А когда её ещё и преподносят в академической форме, то тут уж совсем тоска зелёная.

Но тема метрик качества является одной из основополагающих в машинном обучении. Это фундамент, на котором строится всё машинное обучение с точки зрения применимости и полезности моделей на практике. И хорошо разбираться в этом вопросе – это важный момент.

Как понять, ваша модель «умная» или «глупая»? Понять это можно, только посмотрев на её ошибки и оценки качества. Хорошо, посмотрели на оценки качества – результат получился супер. Отлично! Но подходит ли та метрика качества, которую вы применили к вашей модели, или она не учитывает важные особенности ваших данных?

На эти вопросы специалист по машинному обучению должен уметь отвечать.

Скажу также, что по своей натуре я не являюсь теоретиком. Я предпочитаю, когда теория соединяется с практикой. Через практику я могу понять больше, чем из сухих формул.

Этот же подход я применяю в подготовке обучающего материала. Я не теоретизирую много, стараюсь не углубляться туда, куда не нужно углубляться с точки зрения здравого смысла и практической применимости. А также пытаюсь сложные понятия перевести на простой человеческий язык.

Материала, предоставленного в курсе будет достаточно, чтобы приобрести надёжную базу, на которую впоследствии вы можете наслаивать новые знания в такой интересной области, какой является машинное обучение.

Для кого этот курс

Курс для тех, кто уже делает первые шаги в изучении машинного обучения, но желает глубже изучить вопросы оценки качества моделей с использованием инструментов библиотеки Scikit-learn.

Наши преподаватели. Сергей Спирёв.
Имею двадцатилетний опыт работы в банковской, страховой и лизинговой сферах, где занимался финансовым анализом, моделированием, управлением активами.

Анализирую инструменты фондового рынка с 2008 года. Имею большой профессиональный опыт работы с операциями на биржевом и внебиржевом рынках с ценными бумагами, валютами, драгоценными металлами, операциями РЕПО, своп, межбанковским кредитованием.

Программа курса

Метрики классификации

1.Введение

2.accuracy_score()

3.confusion_matrix()

4.multilabel_confusion_matrix()

5.ConfusionMatrixDisplay

6.precision_score()

7.recall_score()

8.precision_recall_curve()

9.PrecisionRecallDisplay

10.roc_curve()

11.RocCurveDisplay

12.roc_auc_score(), auc()

13f1_score(), fbeta_score()

14.precision_recall_fscore_support()

15.classification_report()

16.det_curve()

17.DetCurveDisplay

18.cohen_kappa_score()

19.top_k_accuracy_score()

19.dcg_score(), ndcg_score()

Метрики для измерения потерь

1..log_loss()

2.brier_score_loss()

3.hamming_loss()

Метрики регрессии

1.mean_absolute_error()

2.mean_absolute_percentage_error()

3.mean_squared_error(), root_mean_squared_error()

4.mean_squared_log_error(), root_mean_squared_log_error()

6.median_absolute_error(), max_error()

5.r2_score()

7.explained_variance_score()

8.d2_absolute_error_score()

9.mean_pinball_loss()

10.make_scorer()

11.PredictionErrorDisplay

В курс входят

34 урока

90 тестов

101 интерактивная задача

Последнее обновление 02.05.2025



—————————————————————————

🔗 Продажник:

📥 СКАЧАТЬ КУРС:

Для просмотра содержимого вам необходимо Войти или Зарегистрироваться.

🔐 Хотите получить доступ?

Чтобы увидеть скрытые ссылки и ставить лайки, активируйте VIP-статус.

💎 ПОЛУЧИТЬ ДОСТУП Наш Telegram канал