Список проголосовавших за комментарий "так вы за долгое платное онлайн обучение засели? тогда я вас не правильно понял. удачи, что.<br/> <br/> я лично прошел несколько базовых бесплатных курсов и туториалов, чтобы понять что такое jupyter notebook, gbm и lgbm (всего одна буква разницы от lgbt и то искуственная разница, т.к. t = tree) и уже чувствую себя хорошо.<br/> по крайней мере решился вопрос с пониманием того, какими методами сеть чего-то там решает. а то несколько лет пользовался многослойным перцептроном (в сочетании с некоторым новыми методиками учится хорошо и сравнительно быстро) — а понимания что внутри перцептрона происходит не было. просто чёрный ящик.<br/> <br/> в курсе по методологии утверждается, что всё-таки понимание предметной области это очень важно. всё-таки брут-форс не так эффективен как направленный брут-форс.<br/> <br/> построил свою модель решающих пеньков, запустил, пока результат отрицательный (как и без них было)<br/> <br/> а вот толком lgbm пока не разобрался.<br/> <br/> ещё не понял такую штуку: допустим перцептрон может строить модели по нескольким фичам, как функцию от них. <br/> а решающее дерево, классификатор, как я понял, такого не может.<br/> поэтому высоко скоррелированные фичи для перцептрона норм, а для деревьев похоже — только мешают. и вот я не понял, как же можно и деревья применять и работать со скоррелированными данными.<br/> <br/> наверное это следующий шаг — построение архитектур сетей из перцептронов и деревьев.<br/> т.е. тренируем несколько деревьев на несколько наборов нескоррелированных фич, <br/> тренируем несколько перцептронов на моделирование ещё более высокоуровневых фич <br/> и результат снова пропускаем через дерево решений. это видимо и есть дип лёрнинг.<br/> <br/> как вариант — обучить перцептрон с 3-4 слоями чтоб на выходе было только да или нет, а потом последний слой с 1 нейроном отрезать и вляпать вместо него дерево.<br/> <br/> попробую на выхах :)"