Data Science | Вопросы собесов
前往频道在 Telegram
Сайт: https://easyoffer.ru/ Все каналы: t.me/+xGeAw6ckJ4liYzQy Контакт для рекламы: @easyoffer_adv
显示更多
网络:4 904
订阅者
-224 小时
-97 天
-1430 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
九月 '269月 '26
九月 '26
+63
在0个频道中
八月 '26
+47
在0个频道中
Get PRO
七月 '26
+47
在0个频道中
Get PRO
六月 '26
+43
在1个频道中
Get PRO
五月 '26
+32
在0个频道中
Get PRO
四月 '26
+55
在0个频道中
Get PRO
三月 '26
+58
在0个频道中
Get PRO
二月 '26
+115
在0个频道中
Get PRO
一月 '26
+100
在0个频道中
Get PRO
十二月 '25
+62
在0个频道中
Get PRO
十一月 '25
+110
在0个频道中
Get PRO
十月 '25
+132
在1个频道中
Get PRO
九月 '25
+75
在0个频道中
Get PRO
八月 '25
+82
在0个频道中
Get PRO
七月 '25
+125
在0个频道中
Get PRO
六月 '25
+127
在0个频道中
Get PRO
五月 '25
+124
在1个频道中
Get PRO
四月 '25
+166
在0个频道中
Get PRO
三月 '25
+598
在5个频道中
Get PRO
二月 '25
+332
在4个频道中
Get PRO
一月 '25
+201
在53个频道中
Get PRO
十二月 '24
+120
在0个频道中
Get PRO
十一月 '24
+162
在1个频道中
Get PRO
十月 '24
+310
在40个频道中
Get PRO
九月 '24
+408
在249个频道中
Get PRO
八月 '24
+181
在1个频道中
Get PRO
七月 '24
+342
在54个频道中
Get PRO
六月 '24
+924
在244个频道中
Get PRO
五月 '24
+999
在191个频道中
Get PRO
四月 '24
+689
在23个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 28 九月 | +3 | |||
| 27 九月 | 0 | |||
| 26 九月 | +4 | |||
| 25 九月 | +2 | |||
| 24 九月 | +1 | |||
| 23 九月 | +1 | |||
| 22 九月 | +1 | |||
| 21 九月 | +3 | |||
| 20 九月 | +2 | |||
| 19 九月 | +3 | |||
| 18 九月 | +2 | |||
| 17 九月 | +6 | |||
| 16 九月 | +1 | |||
| 15 九月 | +2 | |||
| 14 九月 | +1 | |||
| 13 九月 | +1 | |||
| 12 九月 | 0 | |||
| 11 九月 | +1 | |||
| 10 九月 | +2 | |||
| 09 九月 | +2 | |||
| 08 九月 | +2 | |||
| 07 九月 | 0 | |||
| 06 九月 | 0 | |||
| 05 九月 | +5 | |||
| 04 九月 | +2 | |||
| 03 九月 | +8 | |||
| 02 九月 | +4 | |||
| 01 九月 | +4 |
频道帖子
🤔 Как использовать P-value, когда мы проверяем гипотезу?
P-value показывает вероятность получения текущих результатов при условии, что нулевая гипотеза верна. Если P-value ниже уровня значимости, нулевая гипотеза отвергается.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний
| 2 | 🤔 Что такое переобучение модели ?
Это явление в машинном обучении, когда модель слишком точно подстраивается под данные, на которых она обучалась, и теряет способность к обобщению на новых данных. Это одна из основных проблем при создании эффективных моделей машинного обучения.
🚩Причины переобучения
🟠Слишком сложная модель
Если модель имеет слишком много параметров по сравнению с количеством обучающих примеров, она может "запомнить" данные вместо того, чтобы "понять" их.
🟠Ограниченные или несбалансированные данные
Недостаточное количество данных или их плохое качество могут привести к тому, что модель будет обучаться на шумах или аномалиях, которые не являются характерными для всей генеральной совокупности.
🟠Недостаточная регуляризация
Регуляризация помогает предотвратить переобучение путем штрафования моделей за слишком сложные решения.
🚩Признаки переобучения
Высокая точность на обучающем наборе данных, но плохая производительность на валидационных или тестовых данных.
Большие колебания в производительности модели при небольших изменениях в обучающем наборе данных.
🚩Как бороться с переобучением
🟠Использование валидационного набора данных
Разделение данных на обучающий, валидационный и тестовый наборы помогает контролировать и корректировать переобучение.
🟠Кросс-валидация
Оценка модели на различных подмножествах данных для проверки её устойчивости и способности к обобщению.
🟠Регуляризация
Такие методы, как L1 и L2 регуляризация, добавляют штрафы за большие веса в модели.
🟠Упрощение модели
Уменьшение числа параметров (например, уменьшение числа слоёв в нейронной сети или числа деревьев в ансамбле).
🟠Обрезка деревьев решений
Удаление частей дерева, которые не обеспечивают значительного улучшения предсказательной способности, для упрощения модели.
🟠Увеличение объёма данных
Больше данных может помочь модели лучше улавливать закономерности и тенденции, а не шумы.
from sklearn.linear_model import Ridge
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# Генерация синтетических данных
X, y = make_regression(n_samples=1000, n_features=20, noise=0.1)
# Разделение данных
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Обучение модели с регуляризацией
model = Ridge(alpha=1.0)
model.fit(X_train, y_train)
# Оценка модели
y_pred = model.predict(X_test)
print("MSE:", mean_squared_error(y_test, y_pred))
Ставь 👍 и забирай 📚 Базу знаний | 164 |
| 3 |  Стать специалистом по Data Science всего за 10 недель — это реально!
Если давно смотрите в сторону Data Science, но откладываете старт из-за огромного количества технологий, математики и непонятного пути до первой работы — сейчас можно зайти в профессию по-другому.
Симулейтив запускает интенсивный буткемп по Data Science, который построен вокруг главного: за первые 10 недель собрать необходимый стек, получить практический опыт и начать готовиться к реальным собеседованиям.
И главное — вам не нужно сначала учиться 8–12 месяцев, а уже потом думать о трудоустройстве.
Что вас ждёт:
➖необходимые для старта навыки: Python, ML, статистика, работа с данными и AI-инструментами;
➖практика на реальных задачах и проектах;
➖понятный ежедневный план обучения и поддержка менторов;
➖еженедельные живые занятия, а не старые записи;
➖подготовка к собеседованиям уже с первых недель — групповые интервью, разбор вопросов и подготовка резюме.
А что после 10 недель? Буткемп — это только первый этап.
После него можно продолжить углублять экспертизу и двигаться к уровню middle:
➖продвинутый Python;
➖Git;
➖продвинутая статистика и A/B-тестирование;
➖Airflow;
➖MLOps и развёртывание ML-моделей.
Кому подойдёт:
Тем, кто хочет войти в Data Science системно и не тратить год на самостоятельный поиск правильного маршрута.
Тем, кто начинал учиться самостоятельно, но терял темп без структуры и дедлайнов.
Тем, кто хочет не просто изучать теорию, а как можно раньше начать готовиться к выходу на рынок.
Тем, кому важно учиться на практике и получать обратную связь от менторов.
🔥ВАЖНО: Симулейтив сейчас дают возможность получить грант на обучение и гарантию трудоустройства своих студентов! Количество грантов, ограничено!
Оставляйте заявку до конца недели, чтобы занять одно из 5 оставшихся мест нового потока!
🔗 ЗАБРОНИРОВАТЬ МЕСТО | 145 |
| 4 |  Срочно требуются дизайнеры в FIGMA. Обучим с нуля.
Онлайн-программа с наставником и чатом.
Внимание! 80% практики.
✅По результату обучения у вас будет портфолио из нескольких работ.
✅Сертификат о прохождении курса.
✅Возможность пройти полное обучение и получить карьерное сопровождение!
Учитесь дизайну у профессионалов в Yudaev Shool.
Переходи по кнопки: "Подробнее" и начинай свое обучение.
Доступ 0 руб.
Узнать больше
#реклама 16+
yudaevschool24.online
О рекламодателе | 159 |
| 5 | 🤔 Какие проблемы могут возникнуть при прогнозе LTV на полгода вперед?
Основные проблемы при прогнозе LTV (Lifetime Value) на длительный срок включают в себя высокую неопределённость в поведении пользователей, изменение рыночных условий и устаревание данных. Кроме того, прогнозы могут быть неточными из-за сезонных изменений или новых факторов, которые не были учтены в модели. Также возможна недостаточность данных для точного прогнозирования поведения пользователей на долгий срок. Модели могут переоценивать или недооценивать реальные значения LTV.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 186 |
| 6 |  Что будет работать в рекламе завтра?
Ответ ищем вместе на REKONFA 2026. 15 октября соберёмся в Москве и онлайн, чтобы обсудить новые технологии Яндекс Рекламы, продуктовые запуски, тренды рынка, исследования и реальные кейсы.
В программе — выступления экспертов и возможность поговорить с продуктовыми командами Яндекс Рекламы о своих задачах. А вне сцены вас ждут коворкинг, фотозоны и форматы для новых знакомств.
Участвовать можно в Москве на ВТБ Арене или онлайн. Регистрация бесплатная.
Зарегистрироваться
#реклама 18+
ya.rekonfa.ru
О рекламодателе | 196 |
| 7 | 🤔 Как сделать чтобы модель предсказывала не число, а распределение?
Один из них - это применение вероятностных моделей или методов глубокого обучения, которые выводят распределение вероятностей для предсказания.
🟠Использование вероятностных моделей
Байесовские нейронные сети (Bayesian Neural Networks) расширяют обычные нейронные сети, вводя вероятностные параметры, что позволяет выводить распределение выходных значений. Библиотека Pyro для PyTorch
import torch
import pyro
import pyro.distributions as dist
from pyro.infer import SVI, Trace_ELBO
from pyro.optim import Adam
import pyro.nn as pnn
class BayesianNN(pnn.PyroModule):
def __init__(self, in_features, out_features):
super().__init__()
self.linear = pnn.PyroModule[nn.Linear](in_features, out_features)
self.linear.weight = pnn.PyroSample(dist.Normal(0., 1.).expand([out_features, in_features]).to_event(2))
self.linear.bias = pnn.PyroSample(dist.Normal(0., 10.).expand([out_features]).to_event(1))
def forward(self, x, y=None):
mean = self.linear(x)
sigma = pyro.sample("sigma", dist.Uniform(0., 10.))
with pyro.plate("data", x.shape[0]):
obs = pyro.sample("obs", dist.Normal(mean, sigma), obs=y)
return mean
def model(x, y=None):
return BayesianNN(x.shape[1], 1)(x, y)
def guide(x, y=None):
bayesian_nn = BayesianNN(x.shape[1], 1)
bayesian_nn.linear.weight = pnn.PyroSample(dist.Normal(torch.randn(bayesian_nn.linear.weight.shape), 0.1)
.expand(bayesian_nn.linear.weight.shape).to_event(2))
bayesian_nn.linear.bias = pnn.PyroSample(dist.Normal(torch.randn(bayesian_nn.linear.bias.shape), 0.1)
.expand(bayesian_nn.linear.bias.shape).to_event(1))
return bayesian_nn(x, y)
x = torch.randn(100, 1)
y = 3 * x + torch.randn(100, 1)
pyro.clear_param_store()
svi = SVI(model, guide, Adam({"lr": 0.01}), loss=Trace_ELBO())
num_iterations = 5000
for j in range(num_iterations):
loss = svi.step(x, y)
if j % 1000 == 0:
print(f"[iteration {j+1}] loss: {loss}")
predictive = pyro.infer.Predictive(model, guide=guide, num_samples=1000)
samples = predictive(x)
🟠Модели с гетероскедастичностью
Гетероскедастическая регрессия на Keras
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# Создание модели
inputs = keras.Input(shape=(num_features,))
x = layers.Dense(64, activation="relu")(inputs)
x = layers.Dense(64, activation="relu")(x)
mean = layers.Dense(1)(x)
log_var = layers.Dense(1)(x)
model = keras.Model(inputs=inputs, outputs=[mean, log_var])
# Функция потерь
def nll(y_true, y_pred):
mean, log_var = y_pred
precision = tf.exp(-log_var)
return tf.reduce_mean(0.5 * tf.math.log(2 * np.pi) + 0.5 * log_var + 0.5 * tf.square(y_true - mean) * precision)
model.compile(optimizer="adam", loss=nll)
# Обучение модели
model.fit(x_train, [y_train, y_train], epochs=100, batch_size=32)
Ставь 👍 и забирай 📚 Базу знаний | 177 |
| 8 |  Создание сайтов для бизнеса
Разница между «сайт есть» и «сайт работает на бизнес» обычно в трёх вещах:
— выдерживает ли он нагрузку, когда трафик резко растёт;
— связан ли он с вашей CRM и аналитикой, или заявки уходят в пустоту;
— можно ли его развивать дальше, или через год придётся переделывать всё с нуля.
Мы в VITAI закладываем это на этапе проектирования — будь то корпоративный сайт, SaaS-продукт или e-commerce.
Показываем оценку и план проекта уже через 1 рабочий день после обращения.
Если планируете разработку сайта или платформы — можем бесплатно посмотреть, что у вас сейчас, и сказать честно, что стоит поменять.
Узнать больше
#реклама
vitai.world
О рекламодателе | 216 |
| 9 | 🤔 В чем отличия между char и varchar?
В SQL `CHAR` представляет собой тип данных с фиксированной длиной, тогда как `VARCHAR` — с переменной длиной. `CHAR` быстрее, но потенциально занимает больше места при хранении коротких строк. `VARCHAR` эффективнее использует пространство для хранения текста, размер которого меняется.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 218 |
| 10 | 🤔 Какие существуют способы кодирования категориальных переменных?
Кодирование категориальных переменных – это важный шаг в подготовке данных для машинного обучения. Существует несколько методов, каждый из которых подходит для разных типов данных и моделей.
🟠One-Hot Encoding (Одинарное кодирование)
Преобразует каждую категорию в бинарный вектор. Для каждой категории создается отдельный бинарный признак.
Категориальный признак "Цвет" с возможными значениями "красный", "синий" и "зеленый" будет преобразован в три бинарных признака.
import pandas as pd
from sklearn.preprocessing import OneHotEncoder
# Пример данных
data = {'Цвет': ['красный', 'синий', 'зеленый']}
df = pd.DataFrame(data)
# Преобразование категориального признака с использованием OneHotEncoder
encoder = OneHotEncoder(sparse=False)
encoded_colors = encoder.fit_transform(df[['Цвет']])
# Создание DataFrame с закодированными признаками
encoded_df = pd.DataFrame(encoded_colors, columns=encoder.get_feature_names_out(['Цвет']))
print(encoded_df)
🟠Label Encoding (Метка кодирования)
Преобразует каждую категорию в уникальное целое число. Этот метод прост, но может быть проблематичным для линейных моделей, так как они могут интерпретировать числовые значения как упорядоченные.
from sklearn.preprocessing import LabelEncoder
# Пример данных
data = {'Цвет': ['красный', 'синий', 'зеленый']}
df = pd.DataFrame(data)
# Преобразование категориального признака с использованием LabelEncoder
encoder = LabelEncoder()
df['Цвет_код'] = encoder.fit_transform(df['Цвет'])
print(df)
🟠Target Encoding (Целевая кодировка)
Заменяет категориальные признаки средним значением целевой переменной для каждой категории. Этот метод может улучшить качество модели, но требует осторожности, чтобы избежать переобучения.
import category_encoders as ce
# Пример данных
data = {'Цвет': ['красный', 'синий', 'зеленый', 'красный', 'синий'],
'Цена': [10, 15, 12, 10, 20]}
df = pd.DataFrame(data)
# Преобразование категориального признака с использованием TargetEncoder
encoder = ce.TargetEncoder(cols=['Цвет'])
df['Цвет_код'] = encoder.fit_transform(df['Цвет'], df['Цена'])
print(df)
🟠Ordinal Encoding (Порядковое кодирование)
Присваивает каждой категории уникальное целое число, как и Label Encoding, но используется, когда категории имеют естественный порядок.
from sklearn.preprocessing import OrdinalEncoder
# Пример данных
data = {'Размер': ['маленький', 'средний', 'большой']}
df = pd.DataFrame(data)
# Преобразование категориального признака с использованием OrdinalEncoder
encoder = OrdinalEncoder(categories=[['маленький', 'средний', 'большой']])
df['Размер_код'] = encoder.fit_transform(df[['Размер']])
print(df)
🟠Binary Encoding (Бинарное кодирование)
Сначала преобразует категории в целые числа, а затем кодирует эти числа в двоичную форму.
import category_encoders as ce
# Пример данных
data = {'Цвет': ['красный', 'синий', 'зеленый']}
df = pd.DataFrame(data)
# Преобразование категориального признака с использованием BinaryEncoder
encoder = ce.BinaryEncoder(cols=['Цвет'])
df = encoder.fit_transform(df)
print(df)
🟠Frequency Encoding (Частотное кодирование)
Заменяет каждую категорию на частоту её появления в данных.
# Пример данных
data = {'Цвет': ['красный', 'синий', 'зеленый', 'красный', 'синий']}
df = pd.DataFrame(data)
# Преобразование категориального признака с использованием Frequency Encoding
df['Цвет_частота'] = df['Цвет'].map(df['Цвет'].value_counts()) / len(df)
print(df)
Ставь 👍 и забирай 📚 Базу знаний | 204 |
| 11 |  Зарабатывайте на установках Яндекс Браузера
Партнёрская программа для сервисных центров, магазинов компьютерной техники, сайтов для скачивания файлов и авторов статей.
Вы можете предлагать его своим клиентам и аудитории — и зарабатывать на новых установках.
Выплаты до 500₽ за каждую установку Яндекс Браузера.
Подать заявку
#реклама 0+
partner.browser.yandex.ru
О рекламодателе | 196 |
| 12 | 🤔 Что такое precision?
Precision (точность) — это метрика классификации, которая показывает долю правильных положительных предсказаний среди всех предсказанных положительных классов. Она рассчитывается как отношение количества истинно положительных предсказаний к сумме истинно положительных и ложно положительных. Precision важен, когда цена ложноположительных результатов высока. Высокое значение precision указывает на то, что модель почти не ошибается при предсказании положительного класса.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 233 |
| 13 |  Скидки до 50% на посудомоечные машины Kuppersberg
Посудомоечные машины Kuppersberg со скидками на Яндекс Маркете!
Узнать больше
#реклама
market.yandex.ru
О рекламодателе | 208 |
| 14 | 🤔 Какие коэффиценты с помощью машинного обучения подбираются?
В машинном обучении коэффициенты, которые подбираются в процессе обучения модели, зависят от типа используемой модели. Эти коэффициенты, также называемые параметрами, определяют, как модель преобразует входные данные в выходные.
🟠Линейная и логистическая регрессия
Веса (коэффициенты) признаков: Эти модели предсказывают выходное значение как взвешенную сумму входных признаков, где каждый признак умножается на соответствующий вес. В математической формулировке для линейной регрессии это выражается как \( y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + ... + \beta_n x_n \), где \( \beta_i \) — коэффициенты, которые модель стремится оптимизировать.
Свободный член (интерсепт, \(\beta_0\)): Это константа, добавляемая к взвешенной сумме, которая позволяет линейной функции не проходить обязательно через начало координат.
🟠Нейронные сети
Веса нейронов: В нейронных сетях каждый нейрон в каждом слое имеет веса, которые определяют вклад входных данных (или результатов предыдущего слоя) в активацию нейрона.
Смещения (biases): Каждый нейрон также может иметь смещение, которое добавляется к взвешенной сумме его входов перед применением функции активации.
🟠Машины опорных векторов (SVM)
Веса: В линейной SVM модели эти веса определяют гиперплоскость, которая максимально отделяет классы данных.
Параметр регуляризации (C): Не является коэффициентом модели в прямом смысле, но это параметр, который нужно настроить в процессе обучения и который контролирует компромисс между достижением малой ширины разделяющей полосы и ограничением количества ошибочных классификаций.
🟠Решающие деревья
Правила разделения: В решающих деревьях коэффициенты — это критерии разделения в каждом узле дерева, которые определяют, как данные будут разделяться на этапах решения.
🟠Ансамбли (например, случайный лес, бустинг)
Коэффициенты отдельных моделей: В ансамблевых методах каждая отдельная модель (например, каждое дерево в случайном лесу) имеет свои коэффициенты, подобные тем, которые используются в решающих деревьях. Веса моделей: В методах бустинга каждая модель имеет вес, который показывает, насколько вклад этой модели важен при формировании конечного прогноза.
Ставь 👍 и забирай 📚 Базу знаний | 226 |
| 15 |  Бесплатный курс по дизайну: веб, графический и UX/UI
Что внутри:
— старт в дизайне с нуля
— личный наставник и поддержка по ходу обучения
— доступ к платформе с уроками и заданиями
— 4+ работ, которые можно добавить в портфолио
— чат с участниками и единомышленниками
— проверка домашних заданий и разбор ошибок
— сертификат по итогам курса
Подойдёт тем, кто:
— хочет зайти в цифровую без большого опыта
— задумывается о смене профессии
— хочет освоить навык, который можно применять на практике
— ищет понятный и спокойный старт в дизайне
Для кого:
— для новичков без подготовки
— для тех, кто давно хочет попробовать себя в дизайне
— для тех, кто ищет первый шаг на удаленке
Узнать больше | 212 |
| 16 | 🤔 Какой оптимизатор выбрать для обучения нейронной сети?
Adam часто используется из-за адаптивного шага обучения. SGD предпочтителен для больших данных.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 247 |
| 17 |  Яндекс Музыка до 360 дней бесплатно
Яндекс Музыка для вас и 3-х ваших близких.
Кинопоиск и Яндекс Книги тоже в мультиподписке Плюс.
Попробуйте бесплатно❤️
Слушать
#реклама 18+
music.yandex.ru
О рекламодателе | 235 |
| 18 | 🤔 Что такое map оценка?
Это метод в байесовской статистике для нахождения оценки параметра вероятностной модели, который максимизирует апостериорную вероятность данного параметра после учёта данных и априорного распределения этого параметра. Это расширение метода максимизации правдоподобия (MLE), учитывающее предварительные знания о параметрах в виде априорного распределения.
🚩Как он работает
🟠Априорное распределение
В отличие от MLE, где используется только функция правдоподобия, MAP начинается с задания априорного распределения для параметров. Это распределение отражает наши предварительные знания или убеждения относительно параметров до учёта наблюдаемых данных.
🟠Функция правдоподобия
Как и в MLE, используется функция правдоподобия, представляющая вероятность наблюдать данные при заданных параметрах.
🟠Апостериорное распределение
Апостериорное распределение параметра вычисляется на основе теоремы Байеса, которая связывает априорное распределение и функцию правдоподобия:
p(\theta | X) = \frac{p(X | \theta) \cdot p(\theta)}{p(X)}
где \( p(\theta | X) \) — апостериорное распределение, \( p(X | \theta) \) — функция правдоподобия, \( p(\theta) \) — априорное распределение, \( p(X) \) — вероятность данных (обычно выступает как нормализующий множитель).
🟠Максимизация апостериорного распределения
MAP оценка параметра \( \theta \) находится путём максимизации апостериорного распределения. Это оценка параметра, при которой апостериорное распределение достигает максимального значения.
Ставь 👍 и забирай 📚 Базу знаний | 284 |
| 19 |  Запускайте ИИ-продукты и растите как менеджер
⚡ Хотите запускать ИИ-продукты и расти как менеджер, но боитесь ошибиться на старте?
Присоединяйтесь к открытому уроку Игоря Зуриева и узнайте, как от бизнес-гипотезы прийти к первым измеримым результатам.
📅 8 октября в 20:00. Разберём:
- Путь ИИ-продукта от идеи до запуска.
- Как проверить бизнес-гипотезу до разработки.
- Какие метрики успеха выбрать и как избежать типичных ошибок.
Вы научитесь оценивать перспективность идей, формулировать гипотезы и критерии успеха, а также запускать пилоты и новые ИИ-функции.
✅ Запишитесь сейчас и станьте менеджером, который умеет запускать ИИ-продукты с нуля!
Узнать больше
#реклама 16+
otus.ru
О рекламодателе | 229 |
| 20 | 🤔 Что такое бэкпропагейшен (Backpropagation)?
Это алгоритм обновления весов в нейросети путем распространения ошибки от выхода к входу:
1. Прямой проход – данные проходят через сеть, вычисляя предсказания.
2. Вычисление ошибки – разница между предсказанием и истинным значением.
3. Обратное распространение ошибки – градиенты ошибки передаются назад через слои с помощью правила цепочки (chain rule).
4. Обновление весов – веса корректируются методом градиентного спуска.
Бэкпропагейшен – ключевой алгоритм, позволяющий обучать глубокие нейронные сети.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 306 |
