Я создал интерактивную платформу, чтобы по-другому преподавать машинное обучение

Я создал интерактивную платформу, чтобы по-другому преподавать машинное обучение Когда я начал изучать и преподавать машинное обучение, меня постоянно беспокоила одна вещь. Почему так легко написать код ML, но так сложно понять, что за этим стоит? Вы можете обучить модель линейной регрессии с помощью нескольких строк Python: из sklearn.linear_model импорт LinearReгрессия модель = ЛинейнаяРегрессия() model.fit(X_train, y_train) Но что именно происходит, когда мы вызываем fit()? Как модель определяет свои параметры? Какую роль играет математика? И зачем нам такие понятия, как производные, матрицы и оптимизация? Эти вопросы заставили меня переосмыслить, как можно преподавать машинное обучение. Начните с проблемы, а не с формулы Представьте себе, что вы прогнозируете цену дома. Мы знаем, что его размер составляет 1500 квадратных футов. Как мы можем оценить его цену? Прежде чем вводить уравнения, мы можем попросить учащихся подумать о взаимосвязи между размером дома и ценой. Затем представьте простую модель: Прогнозируемая цена = вес × размер дома + смещение Теперь у математики есть цель. Вес описывает, насколько наш прогноз меняется в зависимости от размера дома. Смещение обеспечивает начальное значение. Вместо меня