Курс "Специалист по искусственному интеллекту". Урок 4. Линейная регрессия, метрики ошибок MAE и MSE

Четвертый урок курса «Специалист по искусственному интеллекту». Подробно разбираем математическую и практическую суть линейной регрессии. Пишем алгоритм градиентного спуска на чистом Python с использованием NumPy, учим модель прогнозировать продажи и разбираем разницу между метриками MAE и MSE. 00:00 — Определение задачи регрессии: непрерывные числовые значения 01:26 — Примеры бизнес-задач регрессии (недвижимость, автомобили, технические характеристики) 02:33 — История термина: Фрэнсис Гальтон и закон регрессии к среднему 04:17 — Суть регрессионного анализа: влияние независимых переменных 05:06 — Математическая основа линейной регрессии: уравнение прямой из 7-го класса 06:22 — Обоснование выбора простой линейной регрессии для старта 08:36 — Связь регрессии с перцептроном и глубоким обучением 09:13 — Уравнение прямой в алгебре 11:16 — Линейная регрессия в машинном обучении: веса и смещение 15:41 — Практический бизнес-кейс: зависимость продаж от рекламного бюджета 18:39 — Подготовка данных на Python: создание массивов NumPy 21:45 — Ключевые преимущества NumPy над списками: скорость, память, векторизация 25:39 — Визуализация исходных данных с помощью Matplotlib и Seaborn 33:13 — Подбор аппроксимирующей прямой вручную (метод гипотез) 36:07 — Введение в метрики ошибок: математическая оценка близости линии к точкам 38:17 — Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (MSE): формулы и суть 41:21 — Разница в штрафах: почему MSE чувствительна к крупным промахам 43:01...