"Если вы не можете просто объяснить, значит, вы недостаточно хорошо это понимаете". — Альберт Эйнштейн
Попытка сделать вещи простыми!
Если вам интересно познакомиться с некоторыми широко используемыми методами машинного обучения (МО) (с учителем и без учителя) и вы не хотите вникать в МАТЕМАТИКУ, стоящую за ними, тогда этот блог для вас! Я предполагаю, что пока вы читаете этот блог, вы уже знаете, что такое машинное обучение и что такое наука о данных!
В науке о данных очень важно эффективно передавать результаты, которые мы получаем с помощью некоторых сложных методов, аудитории, которая может не обязательно иметь какой-либо опыт в этой области. Многие компании начали использовать данные для принятия обоснованных решений. И многие люди нашли свою страсть в науке о данных, у которых не было предшествующего статистического или математического образования.
Если и технические, и нетехнические люди понимают суть анализа на общих основаниях (как интересный рассказ!!), то это приносит гармонию в общение и сотрудничество! Еще лучше, если эти методы могут быть прямо или косвенно связаны с ответами на вопросы бизнеса. Так что, кто просто хочет узнать о различных ML-техниках как о рассказе, читайте дальше!
Вот чего ожидать:
Машинное обучение без математики!
Я планирую написать о методах машинного обучения, таких как: кластеризация K-средних, анализ основных компонентов (PCA), тематическое моделирование, алгоритм случайного леса, рекомендательные системы и многие другие, не используя сложную математическую терминологию. Я постараюсь(!) не использовать в объяснении какой-либо код или уравнение, а вместо этого приведу несколько интуитивно понятных и легко воображаемых примеров для понимания концепций.
Чувствуете интерес…? Ознакомьтесь с последующими историями.
