Как стать автором
Обновить

Комментарии 17

Идея переписать все самому на Python с Sklearn похвальна. По крайней мере, самому это очень полезно.
Подобный репозиторий уже, однако, есть.
Правда, зачем в статье код без коментов — непонятно. Код можно и на гитхабе почитать.
Мил человек, извините, но это не дело. Я вполне уверен, что где-нибудь в правилах написано, что статья — это не просто портянка кода. К тому же все это уже делали до вас (например вот — github.com/subokita/mlclass 1 выдача в гугле).
Ну и сложно не дать ссылки на курсы отчественного корифея К.В. Воронцова & Co на Coursera с ВШЭ ( курс идет сейчас) и МФТИ (целая специализация, скоро начнется). Там все примеры и домашки на Python с Anaconda.
К сожалению, пока этот курс нельзя сравнивать с лучшими представителями жанра (Вашингтон и Стэнфорд). Собственно, курсом это назвать сложно, получился скорее обзор имеющихся инструментов в области ML. Лекции представляют собой проговаривание формул и определений из книжек без особой причинно-следственной связи и для человека, не владеющего предметом на уровне одного из вышеобозначенных курсов — абсолютно бесполезны. А в практических заданиях самое сложное — угадать, в каком формате нужно предоставить ответ, чтобы он прошёл валидацию. Такое вот впечатление от первых двух недель.
Стэнфорд — это, я так понимаю, Machine Learning by Andrew Ng? А Вашингтон?
Сейчас тоже прохожу курс Воронцова, полностью согласен с ваши мнением. Вот и бросить жалко, и возложенных надежд курс явно не оправдал. Смотрю, куда ещё кинуться. Хорошие курсы редко стартуют, не хочется пропустить.

Update: нашёл ответ ниже.
А лекции Воронцова на ту же тему лучше смотреть тут: https://yandexdataschool.ru/edu-process/courses/machine-learning

redlinelm, начинание неплохое, но статья, извините, отстой. Позвольте дать Вам несколько советов, чтоб люди не чмырили:

  • Перед тем, как что-то публиковать, изучите, что делали до Вас. Это верно и для академической, и для корпоративной, и для бизнес-активности.
  • Пишите комментарии в коде. Это необходимое условие командной работы. Причем комментарии подробные, а не # так лучше. Scikit-learn стал так популярен в том числе благодаря прекрасной документации.
  • Статью пишите на русском. Если это не тьюториал, кода в ней вообще не должно быть. Для кода есть GitHub.
  • В проекте GitHub опять-таки должен быть внятный README, если Вы с кем-то делитесь кодом.
  • Наконец, пишите грамотно. «Решил я познакомится»… уже с этих трех слов уровень доверия к источнику падает. Описание проекта у Вас «This is python implementation of Programming Exercises for».
Есть хорошая серия курсов по ML от University of Washington, как раз на питоне: www.coursera.org/specializations/machine-learning
PS Курсы можно проходить бесплатно по отдельности, не в составе специализации.
Можно подробнее о том как пройти курс не в составе специализации? Не нашёл такой опции.
Можно найти их в каталоге курсов. Или проще — на странице университета: www.coursera.org/uw
спасибо!
Кто-то может просвятить — как происходит обучение на платных курсах бесплатно?:) На странице курса сказано что получаешь доступ ко всем материалам курса но не проходишь «graduating» то бишь оценивание, это означает что задания не выдаются и не принимаются?
Не выдаётся бумажный сертификат. Вместо него pdf-ка, где написано, что такой-то такой-то успешно прошёл курс. В общем, филькина грамота, но нам ведь важны знания.
Это для всех курсов? Для специализаций так же? Конкретно интересует вот эта специализация.
Все курсы специализации можно бесплатно пройти, если найти их в каталоге. Вот только теперь Coursera, кажется, и pdf-ку не выдает. По крайней мере, здесь внизу в факъю так говорится.
Выбираете эти же курсы вне специализации и проходите бесплатно.
Автор этих курсов Moscow Institute of Physics and Technology, значит ищем тут:
https://www.coursera.org/courses/?query=Moscow%20Institute%20of%20Physics%20and%20Technology&primaryLanguages=ru
Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.