ИИ Машинное обучение (ИИ24, 2-3 модули) — различия между версиями
Murrcha (обсуждение | вклад) |
Murrcha (обсуждение | вклад) |
||
| Строка 103: | Строка 103: | ||
Условия домашних заданий находятся [https://github.com/Murcha1990/ML_AI24/tree/main/Hometasks здесь]. | Условия домашних заданий находятся [https://github.com/Murcha1990/ML_AI24/tree/main/Hometasks здесь]. | ||
| − | # EDA и Линейная регрессия с инференсом. Мягкий дедлайн - ''' | + | # EDA и Линейная регрессия с инференсом. Мягкий дедлайн без Fast API - '''27 ноября 23:59''', мягкий дедлайн по Fast API - '''3 декабря 23:59''' |
| − | # Градиентный спуск. Мягкий дедлайн - ''' | + | # Градиентный спуск. Мягкий дедлайн - '''12 декабря 23:59''' |
| − | # Линейная классификация (+ парсинг) - ''' | + | # Линейная классификация (+ парсинг) - '''23 декабря 23:59''' |
# | # | ||
# | # | ||
Версия 12:22, 25 ноября 2024
Содержание
О курсе
Занятия проводятся в zoom по понедельникам/вторникам/средам (в зависимости от недели) вечером.
Онлайн-курс в дополнение к парам: Практический Machine Learning
В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из трех тегов:
1️⃣base - вебинар, который рекомендуется тем, у кого нет или немного знаний по ML
2️⃣pro - вебинар, который рекомендуется тем, у кого средние или хорошие знания по ML
3️⃣expert - вебинар от приглашенного эксперта
🍊Вы можете ходить на вебинары по своему выбору. На всех вебинарах будет свой сюжет. Нигде не будет повторения тем
🍊А вот при сдаче домашних заданий вы должны определиться, в какую группу сдаете: base или pro. ДЗ будут разделены по уровню сложности (хотя некоторые иногда будут дублироваться)
🍊Распределительного теста НЕ БУДЕТ, так как у нас нет фиксированного разделения на группы на вебинарах. Однако если вы чувствуете себя в экспертом в ML, а также у вас есть подтверждение ваших знаний (пройденный курс по МО-1 и МО-2 на ПМИ или аналогичные по сложности другие курсы) и хотите попасть на fast track - выполнение большого проекта вместо курса, то заполните форму до 5 ноября 23:59 (в зависимости от числа желающих мы либо просто проведем с каждым мини-собеседование и допустим или не допустим до fast track, либо проведем тест+собеседование)
❗️❗️❗️Перед большинством занятий вам необходимо изучить базовую теорию и практику в курсе на Stepik (список нужных уроков и модулей будет появляться за несколько дней до занятия). Здесь все строго: если материал из Stepik не изучен, вам не имеет смысла приходить на занятие - для того, чтобы курс получился хорошим и содержательным требуются не только усилия команды курса, но и ваши. Так что сразу об этом предупреждаем.❗️❗️❗️
Контакты
Преподаватель: Елена Кантонистова
| Ассистент | Контакты |
|---|---|
| Сабрина Садиех | @sabrina_sadiekh |
| Роман Залесинский | @roman_zalesinskii |
| Кирилл Малюшитский | @malyushitsky |
| Георгий Чешко | @aketa147 |
| Тимур Акимов | @takimov |
| Алена Голубович | @alonagolubovich |
| Виктор Тихомиров | @onthebox |
| Глеб Булыгин | @jdbelg |
| Яна Журович | @janinaal |
Материалы курса
Ссылка на GitHub с материалами курса: GitHub repository
| Занятие | Тема |
|---|---|
| 1 | Введение в машинное обучение. Основы линейной регресии (base) |
| 2 | Некоторые аспекты продвинутого EDA. Дашборды (base+pro) |
| 3 | Линейная регрессия подробнее (pro) |
| 4 | Метрики качества линейной регрессии. Практика (base) |
| 5 | Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro) |
| 6 | Регуляризация. Кодирование категориальных признаков. Практика (base) |
| 7 | Связь метрик с бизнесом. Продвинутая работа с признаками (pro) |
| 8 | Градиентный спуск (base) |
| 9 | Модификации градиентного спуска (pro) |
| 10 | Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base) |
| 11 | Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro) |
Записи консультаций
Формула оценивания
Формула оценки: 0.25 * Stepik + 0.6 * среднее за 6 лучших ДЗ + 0.15 * Экзамен
Автоматов нет, но при успешном выполнении Stepik и ДЗ (и с учетом бонусов) и без экзамена можно получить 9.
Домашние задания
Задания сдаются в anytask: https://anytask.org/course/1151
Инвайт для Base: ChlwVVD
Инвайт для Pro: Uhxgzv1
Условия домашних заданий находятся здесь.
- EDA и Линейная регрессия с инференсом. Мягкий дедлайн без Fast API - 27 ноября 23:59, мягкий дедлайн по Fast API - 3 декабря 23:59
- Градиентный спуск. Мягкий дедлайн - 12 декабря 23:59
- Линейная классификация (+ парсинг) - 23 декабря 23:59
Дедлайн по Stepik - конец курса (20 марта 23:59).
