Публикация была переведена автоматически. Исходный язык: Русский
Если вы готовы погрузиться в мир Machine Learning, научиться делать не только fit/predict, но и исправлять код ИИ-агентов для решения поставленных перед вами задач в мире анализа данных, то усаживайтесь поудобнее, подписывайтесь (чтобы не пропустить новые выпуски) и запасайте несколько часов в неделю в вашем графике для изучения полезного.
Знакомство с библиотеками ML для Python мы начнем с научного подхода для работы с векторами и матрицами. Если звучит страшно – не переживайте, нам главное научить этого зверя работать по заданному нами шаблону и понимать его реакции.
Многие ругают Python за его скорость, но несмотря на это, он все равно прекрасно себя чувствует в мире ML и разработки. Фокус в том, что можно использовать оптимизированные вычисления на C/C++ (или даже Fortran), а на Python использовать только обертку для интеграции.
Почти наверняка вы слышали или уже работали с библиотекой pandas (Excel в мире Python для работы с табличными данными). Или использовали предобученные нейронные сети (например, популярные LLM), утащенные с Hugging Face). Каждый из этих подходов под капотом будет использовать операции по работе с тензорами и этот подход отличается от привычного в Python подхода работы со списками (банально отличаются сложения и "broadcasting"). Даже если вы будете писать верхнеуровневый код, для поиска багов и их исправления вам нужно научиться работать с этими принципами.
Рекомендуем потратить несколько часов, чтобы этому научиться на примере библиотеки NumPy (которая используется под капотом pandas): the absolute basics for beginners.
И это только одна из 6 библиотек, которые мы разбираем в первом учебном модуле Практического курса по Machine Learning.
Список авторов и инструкторов курса.
Автор 1-го модуля "Введение в машинное обучение и библиотеки ML для Python" — Алексей Драль.
✍️ Сохраните и подпишитесь, если хотите быть востребованным в IT.
BigData Team: the way you learn best
Если вы готовы погрузиться в мир Machine Learning, научиться делать не только fit/predict, но и исправлять код ИИ-агентов для решения поставленных перед вами задач в мире анализа данных, то усаживайтесь поудобнее, подписывайтесь (чтобы не пропустить новые выпуски) и запасайте несколько часов в неделю в вашем графике для изучения полезного.
Знакомство с библиотеками ML для Python мы начнем с научного подхода для работы с векторами и матрицами. Если звучит страшно – не переживайте, нам главное научить этого зверя работать по заданному нами шаблону и понимать его реакции.
Многие ругают Python за его скорость, но несмотря на это, он все равно прекрасно себя чувствует в мире ML и разработки. Фокус в том, что можно использовать оптимизированные вычисления на C/C++ (или даже Fortran), а на Python использовать только обертку для интеграции.
Почти наверняка вы слышали или уже работали с библиотекой pandas (Excel в мире Python для работы с табличными данными). Или использовали предобученные нейронные сети (например, популярные LLM), утащенные с Hugging Face). Каждый из этих подходов под капотом будет использовать операции по работе с тензорами и этот подход отличается от привычного в Python подхода работы со списками (банально отличаются сложения и "broadcasting"). Даже если вы будете писать верхнеуровневый код, для поиска багов и их исправления вам нужно научиться работать с этими принципами.
Рекомендуем потратить несколько часов, чтобы этому научиться на примере библиотеки NumPy (которая используется под капотом pandas): the absolute basics for beginners.
И это только одна из 6 библиотек, которые мы разбираем в первом учебном модуле Практического курса по Machine Learning.
Список авторов и инструкторов курса.
Автор 1-го модуля "Введение в машинное обучение и библиотеки ML для Python" — Алексей Драль.
✍️ Сохраните и подпишитесь, если хотите быть востребованным в IT.
BigData Team: the way you learn best
Поделиться
