Почему MAE более устойчива к шуму меток, чем MSE, но часто обучается медленнее?
Anonymous Quiz
83%
MAE имеет константный градиент и не усиливает большие ошибки
9%
MSE не выпукла
5%
MAE зависит от Learning Rate
4%
MSE автоматически игнорирует шум
❤2👍1
Почему Bayesian Neural Networks могут по-прежнему быть плохо откалиброваны?
Anonymous Quiz
4%
Байесовские модели всегда идеальны
49%
VI и Laplace-аппроксимации дают слишком узкие апостериоры
14%
Байесовские методы запрещают регуляризацию
33%
Байесовская неопределённость = aleatoric uncertainty
🔬 Вы когда-нибудь смотрели на код и думали: «Работает, но почему?»
А теперь представьте, что вы:
→ понимаете, почему модель учится слишком медленно или слишком быстро;
→ видите, какие данные реально влияют на предсказание, а какие — шум;
→ знаете, что происходит внутри нейронки.
4 декабря стартует курс «Математика для разработки AI-моделей».
Линал, оптимизация, матан, статистика — всё, что происходит внутри модели между input и output. Практика на Python. Живые разборы с экспертами из SberAI, ВШЭ, Wildberries&Russ.
3 задания + финальный проект. Без теории ради теории — только то, что реально используется в моделях.
🎁 Бонус: курс по школьной математике + тест уровня математики
👉 Записаться
А теперь представьте, что вы:
→ понимаете, почему модель учится слишком медленно или слишком быстро;
→ видите, какие данные реально влияют на предсказание, а какие — шум;
→ знаете, что происходит внутри нейронки.
4 декабря стартует курс «Математика для разработки AI-моделей».
Линал, оптимизация, матан, статистика — всё, что происходит внутри модели между input и output. Практика на Python. Живые разборы с экспертами из SberAI, ВШЭ, Wildberries&Russ.
3 задания + финальный проект. Без теории ради теории — только то, что реально используется в моделях.
🎁 Бонус: курс по школьной математике + тест уровня математики
👉 Записаться
Площадь под ROC-кривой (AUC-ROC) для классификатора равна 0.50. Что это означает?
Anonymous Quiz
2%
Модель является идеальным классификатором.
3%
Модель работает лучше, чем случайное угадывание.
11%
Это означает, что Precision и Recall равны 0.50.
85%
Модель работает не лучше, чем случайное угадывание.
❤1
В задаче бинарной классификации, что произойдет с метрикой Recall (Полнота) модели, если мы значительно понизим порог классификации (threshold)?
Anonymous Quiz
21%
Recall уменьшится, Precision (Точность) увеличится.
6%
Обе метрики (Recall и Precision) увеличатся.
71%
Recall увеличится, Precision (Точность) уменьшится.
2%
Обе метрики (Recall и Precision) уменьшатся.
❤1