CodeUtility
Кодить проще - жить легче!
К списку задач

Учебный путь по ИИ

Изучите машинное обучение, программируя его на Python

15 задач, в которых вы сами пишете классические алгоритмы машинного обучения без библиотек: масштабирование данных, линейная и логистическая регрессия, перцептрон, k ближайших соседей, наивный Байес, разбиения деревьев решений и k-means. Решайте их по порядку на Python; каждая запускается в браузере с мгновенными тестами и отзывом ИИ.

Начать первое задание
  1. 1

    Работа с данными

    Умножение матриц и масштабирование признаков.

    0/3
    1. 1 Умножение матриц Легко Решить на Python
    2. 2 Min-max нормализация Легко Решить на Python
    3. 3 Стандартизация по z-оценке Легко Решить на Python
  2. 2

    Регрессия

    Подберите прямую по формуле и градиентным спуском, затем предсказывайте вероятности.

    0/4
    1. 1 Простая линейная регрессия (метод наименьших квадратов) Средне Решить на Python
    2. 2 Линейная регрессия градиентным спуском Средне Решить на Python
    3. 3 Предсказание логистической регрессией Легко Решить на Python
    4. 4 Алгоритм обучения перцептрона Средне Решить на Python
  3. 3

    Классификация

    Softmax, перекрёстная энтропия, ближайшие соседи, наивный Байес и разбиения деревьев решений.

    0/6
    1. 1 Функция softmax Легко Решить на Python
    2. 2 Категориальная перекрёстная энтропия Легко Решить на Python
    3. 3 Классификатор k ближайших соседей Средне Решить на Python
    4. 4 Наивный байесовский классификатор Средне Решить на Python
    5. 5 Неоднородность Джини Легко Решить на Python
    6. 6 Прирост информации Средне Решить на Python
  4. 4

    Сходство и кластеризация

    Косинусное сходство и кластеризация k-means.

    0/2
    1. 1 Косинусное сходство Легко Решить на Python
    2. 2 Кластеризация k-means Средне Решить на Python