Вот некоторые важные концепции #MachineLearning:
➤ Корреляция VS Причинно-следственная связь
➤ Регуляризация и компромисс между смещением и дисперсией
➤ Обучение/тестирование разделения и перекрестной проверки (переоснащение и недообучение)
➤ Оптимизация (градиентный спуск, скорость обучения, функция потерь..)
➤ Методы классификации (деревья решений, наивный байесовский метод, логистическая регрессия и т. д.)
➤ Показатели оценки классификации (точность, полнота, AUC и т. д.)
➤ Методы регрессии (линейная, LASSO, гребневая и т. д.)
➤ Метрики оценки регрессии (MSE,RMSE,RMLSE,MAE)
Все машинное обучение имеет некоторую комбинацию этих компонентов, и их понимание определенно поможет вам в построении/интерпретации вашей следующей модели.
Каждая ссылка будет перенаправлять вас на статью, которую я нашел простой и значимой. Он охватывает основы каждой концепции.