Это декоратор, все переменные внутри него - локальные.

А в каком виде нужно загружать решение на курсеру?

Начал третий курс: первые 1,5 недели сделал за 1,5 дня, темы очень сложные, а задания по программированию очень простые: фит предикт, сортировка и готово.  Стоит ли вообще разбираться плотно с em кластеризацией или матричными разложениями? Это дальше на курсе используется в части математики?

GMM для искусственных данных — самое оно)

Можете плз раскрыть подробнее? Чувствую сарказм )

Про иск данные

Матричные разложения, я так понимаю, лежат в основе многих интересных методов.

Ну просто за последний год было два соревнования на каггле, где данные были искусственно сгенерированы. И там, и там GMM очень сильно докидывали

Ну и задания второй недели показались мне несколько (достаточно) более сложными, чем задания первой недели.

Но это субъективно.

Если подойти статистически, то это значит «почти не встречается в жизни?» просто когда нет сложных заданий ( лучше по программированию, а не тестов с выбором ответа) сложно заставить себя зарываться в математику

Ну чтоб GMM завёлся на ваших данных и что-то докинул, то надо чтоб компоненты смеси были распределены нормально. Чем больше они похожи на гауссовские, тем лучше для GMM’a. В реальных данных такое происходит далеко не всегда. Конечно, никто нам не запрещает решать задачу разделения смеси, если компоненты имеют другой закон распределения, но тогда скорее всего придётся писать под это дело свой велосипед, так как в sklearn готовой реализации точно нет. Хотя мб уже кто-то реализовал в своей библиотечке поддержку других распределений, можно прочекать гитхаб

Вся специализация не про сложные задания по программированию.

Рискну вбросить свои 5 копеек. Если компонентов смеси немного (произвольные распределения), то можно в лоб составить задачу максимизации правдоподобия и решить её каким-нибудь методом из scipy.optimize, всякие дифференциальные эволюции и иммитации отжига довольно неплохо делают свое дело, как показывает моя практика. Правда процесс может занять больше ожидаемого, но все же это решение "в два клика". А если получиться свести задачу в funnel-like, то там еще более мощные методы есть для этого.

И можно рассмотреть варианты задания "начальных условий" для градиентных методов и начальных популяций для дифф. эв. по результатам работы GMM на данных

В целом я не видел примеров в обычной энтерпрайз дс жизни, когда использовался бы gmm для кластеризации. Слишком муторно и как правило, что называется, овчинка выделки не стоит.

В Энтерпрайзе таким точно никто заниматься не будет 😂 это оверкилл даже для каггла)

Чего только люди не делают ради дополнительного прироста в 0.00001 в LB)

Ну как правило чуть ли не всегда есть вещи, которые дадут бОльший буст, а затрат меньше

Сейчас уже даже гиперпараметры у бустингов практически не оптимизируют многие топы, хотя тоже потенциальный источник каких-то там знаков после запятой