Машинное обучение в биологии и биомедицине | OpenBio.Edu
前往频道在 Telegram
Актуальные новости, вакансии и образовательные материалы о машинном обучении в биологии и биомедицине. ❗️3 ноября — старт нового потока единственной программы с кейсами по Computer Vision в биомедицине и ML от OpenBio. Подробнее: https://clck.ru/3Cjbu5
显示更多2 775
订阅者
无数据24 小时
-37 天
-2030 天
正在加载数据
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十月 '2610月 '26
十月 '260
在0个频道中
九月 '260
在0个频道中
Get PRO
八月 '260
在0个频道中
Get PRO
七月 '260
在0个频道中
Get PRO
六月 '260
在0个频道中
Get PRO
五月 '260
在0个频道中
Get PRO
四月 '260
在0个频道中
Get PRO
三月 '260
在0个频道中
Get PRO
二月 '260
在0个频道中
Get PRO
一月 '26
+17
在0个频道中
Get PRO
十二月 '25
+16
在0个频道中
Get PRO
十一月 '25
+44
在0个频道中
Get PRO
十月 '25
+162
在8个频道中
Get PRO
九月 '25
+34
在3个频道中
Get PRO
八月 '25
+124
在6个频道中
Get PRO
七月 '25
+564
在22个频道中
Get PRO
六月 '25
+48
在5个频道中
Get PRO
五月 '25
+17
在0个频道中
Get PRO
四月 '25
+27
在1个频道中
Get PRO
三月 '25
+36
在0个频道中
Get PRO
二月 '25
+378
在17个频道中
Get PRO
一月 '25
+1 038
在41个频道中
Get PRO
十二月 '24
+512
在15个频道中
Get PRO
十一月 '24
+16
在0个频道中
Get PRO
十月 '24
+20
在0个频道中
Get PRO
九月 '24
+246
在14个频道中
Get PRO
八月 '24
+295
在2个频道中
Get PRO
七月 '24
+245
在0个频道中
频道帖子
+3
💡 Серия спринтов OpenBio
У нас много новеньких на канале (👋) и перед стартом курса «Машинное обучение в биологии и биомедицине» мы решили напомнить о трех спринтах, которые стали для многих первой точкой входа в ML.
Если вы проходили их раньше — самое время освежить материалы, а если нет — это отличный шанс быстрее втянуться в курс.
🔥 ML Bootcamp 🌤🌥☁️
Пятидневный интенсив по основам машинного о
бучения.Мы говорили о метриках регрессии, кластеризации, нейросетях и мультиомике.
Все это на реальных биомедицинских данных.
➡️ Bootcamp помогает познакомиться с различными разделами машинного обучения: с учителем, без и куда же без нейронных сетей! (А еще это хорошая возможность посмотреть на наших преподавателей в деле).
❤️🔥 LLM Sprint 🤫🫠🤥😶
Неделя, посвященная большим языковым моделям.Мы разбирали промптинг, сравнивали модели, учились использовать LLM в анализе статей, код-ревью, в планировании экспериментов и обсуждали риски addiction to LLM и даже
этические вопросы.
➡️ Этот спринт особенно полезен тем, кто работает с биологическими данными — он показывает, как встроить LLM в исследовательскую практику и повысить эффективность без потери научной точности.
🧨 Classic ML Sprint 1⃣2⃣3⃣4⃣5⃣6⃣
Пять моделей за пять дней — регрессия, SVM, kNN,
деревья решений и Наивный Байес. Каждый день — возможность познакомится с одним из классических методов машинного обучения и попробовать себя в интерпретации результатов обучения моделей.
➡️ Идеальная разминка перед первым модулем курса — именно он основан на этих «классиках» машинного обучения.
Мы создаем спринты, чтобы вы не просто узнали о трендах, а прочувствовали их в работе. Это ваша возможность увидеть логику моделей, проникнуться вайбом мира ML и пойти на курс максимально подготовленным.
❕ Старт курса — 3 ноября! Это идеальный момент, чтобы разогреться перед основной программой.
P.S. И это не шутка: следующий поток курса "Машинное обучение в биологии и биомедицине" запланирован аж на 2027 год. Если вы ждали знак — это он.
#openbio_education
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь!
| 2 | +3 💡 OpenBio sprint series
Перед стартом курса «Машинное обучение в биологии и биомедицине» мы решили напомнить о наших трех спринтах, которые стали для многих первой точкой входа в ML.
Если вы проходили их раньше — самое время освежить материалы, а если нет — это отличный шанс быстро втянуться в курс.
🔥 ML Bootcamp 🌤🌥☁️
Пятидневный интенсив по основам машинного обучения.
Мы говорили о метриках регрессии, кластеризации, нейросетях и мультиомике.
Все это на реальных биомедицинских данных.
➡️ Bootcamp помогает систематизировать базовые понятия и вспомнить, как работают модели, с которыми вы будете сталкиваться на курсе.
❤️🔥 LLM Sprint 🤫🫠🤥😶
Неделя, посвященная большим языковым моделям.
Мы разбирали промптинг, сравнивали модели, учились использовать LLM в анализе статей, код-ревью и даже в планировании экспериментов.
➡️ Этот спринт пригодится тем, кто хочет работать быстрее: понимать, где LLM может помочь, а где лучше положиться на свои навыки.
🧨 Classic ML Sprint 1⃣2⃣3⃣4⃣5⃣6⃣
Пять моделей за пять дней — регрессия, SVM, kNN, деревья решений и Наивный Байес.
Каждый день — возможность познакомится с одним из классических методов машинного обучения и попробовать себя в интерпретации результатов обучения моделей!
➡️ Идеальная разминка перед первым модулем курса — именно он основан на этих «классиках» машинного обучения.
💡 Это спринты — не просто архив.
Они помогут вспомнить базу, освежить логику моделей и почувствовать ритм обучения, чтобы идти на курс уверенно.
❕ Старт курса уже 3 ноября — загляните в спринты, чтобы подойти к нему с разогретыми мозгами!
#openbio_education
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 1 |
| 3 | Начинаем через 10 минут!
Первый вебинар нового формата Open Code — уже на старте.
Сегодня вместе с Ильей Воронцовым разбираем batch-эффект:
➡️ Визуализируем данные,
➡️ Применим PCA,
➡️ Оценим вклад batch-эффекта
➡️ Посмотрим, как меняются результаты после коррекции.
Если еще не с нами — подключайтесь сейчас!
Успеете попасть в прямой эфир и задать вопросы
👉 [ссылка на подключение]
Заполняйте анкету что бы получить запись вебинара и готовый ноутбук! | 794 |
| 4 | 📲 Мы начинаем новый формат! Open Code — никаких слайдов, только данные и дискуссия, только live-коддинг. 🤟
❕ Первая тема — batch-эффект в экспрессионных данных.
Он проявляется тогда, когда клетки группируются не по типам, а по тому, из какого образца они пришли.Из-за этого искажаются результаты кластеризации, определения типов клеток и реконструкции траекторий.
Но не всякая разница — batch-эффект.Иногда отличия между образцами действительно отражают биологическую реальность — например, в случае опухолевых клеток.
➡️ Разберемся в этом вместе с нашим постоянным спикером — Ильей Воронцовым, преподавателем первого модуля курса «Классические методы машинного обучения». Илья более 10 лет преподает машинное обучение и анализ данных, занимается биоинформатикой в области транскрипционной регуляции в ИОГен РАН, Alma mater: МФТИ.
📅 Сегодня в 19:00
Подключайтесь, чтобы первыми увидеть, как бороться с batch-эффектом на практике.
✅ Не успеваете на эфир? Оставьте ваши контакты по ссылке — мы пришлем запись вебинара и ноутбук с готовым кодом.
📌 Курс "Машинное обучение в биологии и биомедицине" | OpenBio.Edu — подписывайтесь!
#openbio_OpenCode | 6 526 |
| 5 |  +3💡 Истории наших выпускников
Мы вновь делимся нашей главной гордостью — выпускниками! Нам особенно приятно видеть, что выпускники OpenBio не останавливаются на достигнутом: поступают в магистратуры, защищают дипломные работы, развиваются в биоинформатике и смежных областях. Для нас это подтверждение тогочто наш курс стал тем самым кирпичиком в фундаменте знаний, на который можно уверенно опираться дальше.
🔺Валерия Логинова применяла машинное обучение в дипломной работе по нейромаркетингу и решила развиваться в направлении IT-медицины.
🔺Алина Лапенко использовала методы курса для анализа изображений и поступила в аспирантуру МИФИ.
🔺Вера планирует обучение в магистратуре по биоинформатике.
🔺Анастасия Михайленко после курса успешно поступила в магистратуру Сеченовского университета.
Эти истории показывают, как знания, полученные на курсе, становятся частью профессионального пути.
Для нас это лучший показатель того, что OpenBio действительно помогает расти — в профессии и в науке!
#openbio_graduates
📌Курс "Машинное обучение в биологии и биомедицине" | OpenBio.Edu — подписывайтесь! | 789 |
| 6 |  ❔Open Code: разберемся в данных вместе
28 октября в 19:00 — приглашаем на открытый вебинар с лайв-кодингом в прямом эфире.
На этот раз мы посмотрим на batch-эффект в экспрессионных данных и разберем, как его увидеть и скорректировать с помощью классических методов машинного обучения.
Вместе:
🔺Визуализируем данные и посмотрим, как проявляется батч-эффект;
🔺Применим PCA для уменьшения размерности;
🔺Используем линейную регрессию, чтобы количественно оценить вклад батчей и удалить его;
🔺Сравним результаты «до» и «после» коррекции.
Формат — open code session: все, что происходит на экране, можно повторить шаг за шагом.
↗️ Присоединяйтесь!
📅 Когда: 28 октября, 19:00 (МСК)
📌 Машинное обучение в биологии и биомедицине|OpenBio.Edu — подписывайтесь! | 735 |
| 7 | Анонс возможности попасть на первый модуль основной программы курса "Задачи классического ML для биологии и биомедицины".
📲Чтобы уверенно ориентироваться на любой карте, нужно научиться прокладывать маршрут самостоятельно: выбирать правильную дорогу, обходить препятствия и добираться до цели. Именно для этого мы запускаем отдельный доступ к первому модулю нашей основной программы «Классические методы ML» - 17 часов лекций, 9 часов семинаров, домашних проект с развернутой обратной связью.
Это уже не беглый обзор, а полноценная экспедиция, где мы вместе:
🔺Разберем теорию досконально: вы поймете не только что делает модель, но и почему она работает именно так.
🔺Перейдем к практике: на семинарах вы своими руками обучите модели, научитесь настраивать их и интерпретировать результаты.
🔺Выполните проект: закрепите знания на реальной задаче и получите подробную обратную связь от наших экспертов.
❕ Полная стоимость модуля — 29 900 ₽. Но вы уже сделали первый и самый важный шаг. В награду за ваше упорство мы дарим вам скидку 10 000 ₽ по кодовой фразе из викторины. Итоговая цена для самых пытливых исследователей — 19 900 ₽.
Это ваш шанс превратить недельный интерес в прочный и востребованный навык. Готовы перейти от карты к построению маршрутов — ждем вас на первом модуле!
➡️ Записаться на модуль по классическим методам машинного обучения
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 702 |
| 8 | Анонс возможности попасть на первый модуль основной программы курса "Задачи классического ML для биологии и биомедицины".
📲Чтобы уверенно ориентироваться на любой карте, нужно научиться прокладывать маршрут самостоятельно: выбирать правильную дорогу, обходить препятствия и добираться до цели. Именно для этого мы запускаем отдельный доступ к первому модулю нашей основной программы «Классические методы ML» - 17 часов лекций, 9 часов семинаров, домашних проект с развернутой обратной связью.
Это уже не беглый обзор, а полноценная экспедиция, где мы вместе:
🔺Разберем теорию досконально: вы поймете не только что делает модель, но и почему она работает именно так.
🔺Перейдем к практике: на семинарах вы своими руками обучите модели, научитесь настраивать их и интерпретировать результаты.
🔺Выполните проект: закрепите знания на реальной задаче и получите подробную обратную связь от наших экспертов.
❕ Полная стоимость модуля — 29 900 ₽. Но вы уже сделали первый и самый важный шаг. В награду за ваше упорство мы дарим вам скидку 10 000 ₽ по кодовой фразе из викторины. Итоговая цена для самых пытливых исследователей — 19 900 ₽.
Это ваш шанс превратить недельный интерес в прочный и востребованный навык. Готовы перейти от карты к построению маршрутов — ждем вас на первом модуле!
➡️ Записаться на модуль по классическим методам машинного обучения
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 1 |
| 9 |  +4Поздравляем тех, кто дошел с нами до финала спринта ❤️
Наш экспресс-маршрут по миру классического машинного обучения окончен. В течение пять дней мы знакомили вас с логикой регрессий, мощью SVM, интуитивностью деревьев и скоростью Наивного Байеса. Надеемся, что нам удалось показать вам "карту местности": где находятся ключевые «города» и «реки» в области классических методов ML.
↗️ Спасибо тем, кто не просто читал посты, а анализировал графики и искал ответы в викторине и честно хотел заработать бонус от нашего проекта – мы ценим энтузиазм и настоящую мотивацию исследователя!
🎁 Для вас остался финальный штрих: соберите кодовую фразу из ваших ответов и отправьте ее в форму ниже. Для тех, кто дойдет до конца, приготовили бонус: скидку 10 000 ₽ на весь курс или…..при покупке первого модуля отдельно.
Отправить кодовую фразу и зачислить на счет бонус
В подарок вам сделали карточки-памятки по рассмотренным методам!
📩📥📤
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 710 |
| 10 | Перед вами три графика: confusion matrix, ROC-кривая и распределение вероятностей.Попробуйте по ним понять, насколько уверенно модель делает предсказания и где остается зона неопределенности.
| 631 |
| 11 |  +2❔ Сегодня финальный день нашего спринта — и на сцене Наивный Байесовский классификатор.
После всех деревьев, соседей и опорных векторов он может показаться слишком простым. Но именно в этой простоте - его сила: Байес не ищет сложных границ, он просто оценивает вероятности и выбирает наиболее правдоподобный вариант.
Этот алгоритм часто недооценивают - а зря. Иногда именно он оказывается первым, кто находит закономерность, когда другие методы теряются в деталях.
И да, именно сегодня вы сможете собрать последнюю часть кодовой фразы.
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 460 |
| 12 |  🧪 Наивный байесовский классификатор
Некоторые алгоритмы поражают своей силой именно в простоте. Наивный Байесовский классификатор - как раз такой случай. Несмотря на слово «наивный», он остается одним из самых популярных алгоритмов в медицине и биологии.
Как работает
Идея основана на формуле Байеса:
P(A|B) = [P(B|A) · P(A)] / P(B)
где P(A|B) - вероятность гипотезы А при условии признаков B
➡️ В классификации алгоритм считает вероятность, что объект принадлежит каждому классу, и выбирает класс с максимальным значением.
➡️ «Наивность» в том, что признаки считаются независимыми друг от друга. В реальности это редко так, но модель все равно часто работает хорошо.
✔️ Наивный Байес применяется, например, для первичной сортировки пациентов по симптомам.
Если в базе есть данные о том, как часто те или иные признаки встречаются при разных диагнозах, алгоритм быстро оценит вероятность болезни и выделит группу риска.
Такой инструмент может стать первым фильтром перед более сложной диагностикой.
▪️Давайте попробуем посчитать вместе, допустим, у нас есть данные о пациентах:
1️⃣ Вероятность гриппа в популяции — 10% (P(грипп)=0.1)
2️⃣ При гриппе 80% пациентов имеют температуру (P(температура ∣ грипп)=0.8)
3️⃣ Без гриппа только 20% имеют температуру (P(температура ∣ нет гриппа)=0.2)
Вероятность гриппа у пациента с температурой в нашем примере возрастает с исходных 10% (распространенность в популяции) до примерно 31%.
Алгоритм Байеса не говорит болен или здоров пациент, а пересчитывает шансы, учитывая новые данные
❕ Главное приемущество этого метода - его скорость: нет сложных гиперпараметров и настроек, можно обучить на тысячах пациентов за секунды.
❕ Ограничения
🔷Сильное упрощение. Независимость признаков почти никогда не выполняется. Например, давление и возраст часто связаны.
🔸Чувствительность к качеству данных. Если данные неполные или плохо подготовленные, результат сильно искажается.
🔷Не ловит сложные зависимости. Когда исход зависит от комбинации факторов, модель упрощает картину.
Наивный Байес — отличный финал нашего спринта ❤️
↗️ Вы уже собрали целый набор инструментов, с которыми можно смело заходить в биомедицинские данные: от регрессий до деревьев.
Спринт был коротким путешествием, но дальше начинается полноценная экспедиция — курс, где мы разбираем эти методы глубже, с практикой, проектом и поддержкой преподавателей.
📩📥📤
#openbio_education #openbio_MLSprint
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 478 |
| 13 | Перед вами три блока: confusion matrix, ROC-кривая и feature importance. По этим графикам оцените, где модель ошибается чаще, насколько уверенно она разделяет классы и какие признаки действительно «тянут» решение.
| 548 |
| 14 |  +2❔ Вчера мы смотрели, как kNN принимает решения «по соседям». Сегодня — разберёмся с деревьями решений
Дерево — это не чёрный ящик: каждое разветвление — конкретное правило «если → то». Посмотрим, насколько прозрачность помогает понять поведение модели на практике.
Каждый правильный ответ снова приближает вас к полной кодовой фразе.
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 414 |
| 15 |  🦠 Деревья решений.
Этот метод один из самых интуитивных алгоритмов машинного обучения. Деревья работают как система вопросов «если … то …»
📲 Как устроено дерево решений
1️⃣ Корень дерева - первый признак, по которому данные делятся на группы.
2️⃣ Внутренние узлы - проверки условий.
3️⃣ Ветви - варианты ответов (обычно это «да» или «нет»).
4️⃣ Листья - итог: класс («здоров или болен») или число (например, прогноз уровня маркера).
✔️ Таким образом, дерево шаг за шагом сортирует объекты по признакам, пока не выдаст решение. Такие деревья можно использовать для стратификации пациентов. Например:
В корне - возраст -> на следующем уровне - наличие диабета -> уровень артериального давления.
Комбинация простых условий быстро разделяет пациентов на группы риска.
▪️Деревья для регрессии
Деревья могут предсказывать не только классы, но и непрерывные значения. В этом случае в листьях стоит число (например, прогноз уровня глюкозы).
Критерий выбора признака здесь другой - минимизация разброса (дисперсии) внутри подгрупп.
Хорошее разбиение делает так, что пациенты в каждой ветке похожи друг на друга по значению целевой переменной.
❕ Преимущества деревьев
🔹Прозрачность: каждое правило можно нарисовать и объяснить: «если возраст > 60 и есть диабет → риск осложнений высокий».
🔹Гибкость: работают с числовыми и категориальными признаками.
🔹Не требуют нормализации: масштаб признаков (годы, нг/мл, баллы) не влияет на дерево.
❕ Ограничения
🔷Переобучение: дерево может «выучить наизусть» обучающую выборку и ошибаться на новых данных.
🔷Нестабильность: небольшие изменения в данных могут сильно изменить структуру дерева.
🔷Ограниченная точность: одно дерево решений может быть полезным, но часто оказывается слишком чувствительным: чуть измените данные - и структура дерева меняется.
✅ Для решения последней проблемы были придуманы ансамблевые методы: алгоритмы, которые соединяют несколько моделей, чтобы получить более точный и устойчивый результат.
➡️ Основные идеи ансамблей
🔺Бэггинг (bagging, bootstrap aggregating). Мы обучаем много деревьев на случайных подвыборках данных. Каждый пациент «попадает» не во все деревья, а только в часть. Итоговое решение принимается голосованием. Пример - Случайный лес (Random Forest).
🔺Бустинг (boosting). Здесь деревья строятся последовательно. Первое дерево учится на всех данных, второе - на ошибках первого, третье - на ошибках предыдущих и т. д. Так шаг за шагом алгоритм исправляет свои промахи. Пример - Gradient Boosting, XGBoost, CatBoost.
как и остальные методы, ансамбли имеют свои преимущества и недостатки
❕ Преимущества ансамблей
🔻Точность: работают лучше, чем отдельные модели, особенно на сложных медицинских данных.
🔻Устойчивость: ошибки одного дерева компенсируются другими.
❕ Ограничения
🔷Риск переобучения при неосторожной настройке: особенно в бустинге, если позволить деревьям расти слишком глубокими.
🔷Ресурсоемкость: oбучение и применение может быть медленнее и требовать больше памяти.
❔Что делать, если вычислительных мощностей не хватает проверить все варианты деревьев и ансамблей? Иногда стоит начать с легкой модели, например, Наивного Байеса. О нем и поговорим завтра!
#openbio_education #openbio_MLSprint
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 427 |
| 16 | Попробуйте провести своё мини-исследование и сделать выводы. После этого — вопросы. Каждый правильный ответ продвинет вас ближе к финальной кодовой фразе и покажет, насколько вы чувствуете данные, а не просто читаете числа
| 521 |
| 17 |  +2❔ Сегодня разбираемся с методом k ближайших соседей (kNN) — алгоритмом, который решает по принципу: «скажи, кто рядом, и я скажу, кто ты».
Он прост, но в этом его сила: модель ничего не «учит» заранее, а просто ищет похожие случаи и делает вывод по ним. Чем ближе соседи, тем сильнее их голос.
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 537 |
| 18 |  📲 Метод k ближайших соседей: скажи мне, кто твой друг — и я скажу, кто ты.
➡️ Один из самых популярных и интуитивных алгоритмов метод k ближайших соседей (k Nearest Neighbors, kNN) устроен очень просто:
новая точка «оглядывается» вокруг и смотрит, какие объекты находятся ближе всего. Если большинство ближайших соседей принадлежат к классу «здоров», модель прогнозирует то же самое и для новой точки.
▪️Существует несколько способов рассчитать расстояние,среди которых наиболее популярными являются следующие:
➕ Евклидово расстояние — это наиболее простая и общепринятая метрика, которая определяется как длина отрезка между двумя объектами в пространстве с n признаками
➕Манхэттенское расстояние — метрика, которая определяется как сумма модулей разностей координат двух точек в пространстве между двумя объектами n признаками
➕Косинусное расстояние — метрика, которая определяется как угол между двумя векторами в пространстве с n признаками
❕ Преимущества kNN
🔺Простота: алгоритм находит ближайших соседей и принимает решение по большинству (для классификации) или усреднению (для регрессии).
🔺 Нет этапа обучения: алгоритм не строит модель заранее, а использует всю обучающую выборку при прогнозе.
🔺Гибкость: подходит и для классификации, и для регрессии, может работать с несколькими классами и разными метриками расстояния.
❕ Ограничения
🔺Медленный на больших данных: каждый новый объект сравнивается со всеми, поэтому прогноз может занимать много времени.
🔺Чувствителен к шуму и масштабу признаков: один «неправильный» сосед или разные единицы измерения могут испортить результат.
🔺Проклятие размерности: в многомерных данных почти все точки оказываются одинаково далеки, и смысл «ближайших соседей» теряется.
🔺Выбор k критичен: слишком маленькое значение делает модель нестабильной, слишком большое - размывает границы еще
🎁 kNN принимает решение, глядя на соседей. А у нас есть похожее правило: с друзьями всегда лучше. Пригласите на обучение друга — и оба получите скидку до 35%. Учиться в компании действительно легче и веселее.
❔ Метод соседей прост, но не всегда устойчив. Тогда возникает другой подход: формулировать простые правила “если… то…”. Следующий метод “Деревья решений”.
#openbio_education #openbio_MLSprint
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 493 |
| 19 | Перед вами графики: confusion matrix, ROC-кривая и распределение margin для разных ядер (linear, RBF, poly).Попробуйте по ним определить, насколько уверенно модель разделяет классы и какое ядро справляется лучше. | 614 |
| 20 |  +5❔ Вчера мы разбирались, как линейные модели проводят границу между классами. Сегодня — посмотрим на метод опорных векторов и попробуем прочитать его результаты глазами исследователя.
SVM — метод, который не просто проводит линию, а ищет границу с максимальным зазором. Посмотрим, сможете ли вы уловить эту идею на практике.
Каждый правильный ответ снова приближает вас к полной кодовой фразе.
📌 Машинное обучение в биологии и биомедицине | OpenBio.Edu — подписывайтесь! | 675 |
