Машинное обучение в биологии и биомедицине | OpenBio.Edu
رفتن به کانال در 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
نمایش بیشتر2 775
مشترکین
اطلاعاتی وجود ندارد24 ساعت
-37 روز
-2030 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژانویه '26
ژانویه '26
+17
در 0 کانالها
دسامبر '25
+16
در 0 کانالها
Get PRO
نوامبر '25
+44
در 0 کانالها
Get PRO
اکتبر '25
+162
در 7 کانالها
Get PRO
سپتامبر '25
+34
در 3 کانالها
Get PRO
اوت '25
+124
در 6 کانالها
Get PRO
ژوئیه '25
+564
در 22 کانالها
Get PRO
ژوئن '25
+48
در 5 کانالها
Get PRO
مه '25
+17
در 0 کانالها
Get PRO
آوریل '25
+27
در 1 کانالها
Get PRO
مارس '25
+36
در 0 کانالها
Get PRO
فوریه '25
+378
در 17 کانالها
Get PRO
ژانویه '25
+1 038
در 41 کانالها
Get PRO
دسامبر '24
+512
در 15 کانالها
Get PRO
نوامبر '24
+16
در 0 کانالها
Get PRO
اکتبر '24
+20
در 0 کانالها
Get PRO
سپتامبر '24
+246
در 14 کانالها
Get PRO
اوت '24
+295
در 2 کانالها
Get PRO
ژوئیه '24
+245
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 29 ژانویه | 0 | |||
| 28 ژانویه | 0 | |||
| 27 ژانویه | 0 | |||
| 26 ژانویه | +2 | |||
| 25 ژانویه | +1 | |||
| 24 ژانویه | 0 | |||
| 23 ژانویه | 0 | |||
| 22 ژانویه | 0 | |||
| 21 ژانویه | 0 | |||
| 20 ژانویه | +1 | |||
| 19 ژانویه | +2 | |||
| 18 ژانویه | +1 | |||
| 17 ژانویه | 0 | |||
| 16 ژانویه | +1 | |||
| 15 ژانویه | 0 | |||
| 14 ژانویه | +4 | |||
| 13 ژانویه | +1 | |||
| 12 ژانویه | +1 | |||
| 11 ژانویه | 0 | |||
| 10 ژانویه | 0 | |||
| 09 ژانویه | 0 | |||
| 08 ژانویه | 0 | |||
| 07 ژانویه | 0 | |||
| 06 ژانویه | 0 | |||
| 05 ژانویه | +2 | |||
| 04 ژانویه | 0 | |||
| 03 ژانویه | 0 | |||
| 02 ژانویه | +1 | |||
| 01 ژانویه | 0 |
پستهای کانال
+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 | 💡 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 | 💡 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 | Поздравляем 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 | ❔ 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 | ❔ 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 | ❔ 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 | ❔ 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 |
