МОВС Ключевой семинар Машинное обучение, ML (2023-24 уч. год, 2-3 модули) — различия между версиями
м (formatting edit) |
м (UPD formula, add 5th hw) |
||
| Строка 121: | Строка 121: | ||
==Формула оценивания== | ==Формула оценивания== | ||
| − | Оценка = 0 * О<sub>Тренировочные тесты</sub> + 0. | + | Оценка = 0 * О<sub>Тренировочные тесты</sub> + 0.2 * О<sub>Stepik</sub> + 0.1 * О<sub>Контрольная</sub> + 0.2 * О<sub>Экзамен</sub> + 0.5 * О<sub>ДЗ</sub> ('''1''') |
'''Автоматы:''' Если накопленная до экзамена оценка (до округления) больше или равна 7, то она (после округления) по желанию студента ставится в качестве итоговой оценки. Для получения автомата '''также необходимо получить за контрольную не менее 6 баллов''' (неокругленных). | '''Автоматы:''' Если накопленная до экзамена оценка (до округления) больше или равна 7, то она (после округления) по желанию студента ставится в качестве итоговой оценки. Для получения автомата '''также необходимо получить за контрольную не менее 6 баллов''' (неокругленных). | ||
| Строка 145: | Строка 145: | ||
# Решающие деревья. Ансамбли над решающими деревьями | # Решающие деревья. Ансамбли над решающими деревьями | ||
# Кластеризация | # Кластеризация | ||
| + | # ''Аномалии, RecSys'' | ||
== Контрольная == | == Контрольная == | ||
Версия 12:14, 30 октября 2023
Содержание
О курсе
На курсе студенты узнают о классических и современных алгоритмах машинного обучения, научатся подходам для обработки и анализа данных. В курсе большое внимание уделяется линейным и нелинейным моделям регрессии и классификации. Часть курса посвящена обучению без учителя, в частности, методам снижения размерности и кластеризации. В курсе также изучаются такие популярные приложения методов машинного обучения как ранжирование, рекомендательные системы, поиск аномалий и временные ряды.
Занятия проводятся в Zoom по ... в ...
Контакты
Чат курса в TG: https://t.me/+Qvc86ptxVu42OWYy
Преподаватели: Рысьмятова Анастасия, Цвигун Аким
План занятий: Кантонистова Елена Олеговна
Ассистенты
| Ассистент | Telegram |
|---|---|
| Юркин Андрей | @andreyyur1107 |
| Москаленко Александр | @tau_ceti_pn |
| Вересников Артём | @x7mlpvb |
| Шанарова Надежда | @kronesine |
| @bwdare | |
| Бузилов Григорий | @GBuzilov |
Материалы курса
Плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzCglOyTkTZ_bBHKd8eUr8pC
GitHub с материалами курса: GitHub repository
| Занятие | Блок | Тема | Дата | Ссылки |
|---|---|---|---|---|
| 1, Запись | Линейная регрессия | Материалы Нормализация данных, feature engineering, метрики качества регрессии. Методы оценивания обобщающей способности моделей, кросс-валидация |
03.11.23 // 11.11.23 | |
| 2, Запись |
Продолжение |
08.11.23 // 11.11.23 | ||
| 3, Запись | Линейная классификация | Логистическая регрессия, калибровка вероятностей. kNN (метрический метод) | 15.11.23 // 18.11.23 | |
| 4, Запись |
SVM, SVM-kernels. Метрики качества классификации. Счётчики. |
15.11.23 // 18.11.23 | ||
| 5, Запись | Снижение размерности данных | Методы отбора признаков, расширения SVD, MDS, t-SNE | 22.11.23 // 25.11.23 | |
| 6, Запись | Решающие деревья и их композиции | Алгоритм построения дерева, критерии информативности (регрессия и классификация), обработка пропусков для деревьев, стрижка и регуляризация |
29.11.23 // 02.12.23 | |
| 7, Запись |
Разложение ошибки на шум, смещение и разброс; бэггинг; случайный лес |
06.12.23 // 09.12.23 | ||
| 8, Запись |
Бустинг, градиентный бустинг над решающими деревьями, различные интерпретации GB; |
13.12.23 // 16.12.23 | ||
| 9, Запись | Быстрый поиск ближайших соседей | LSH | 20.12.23 // 21.12.23 | |
| 10, Запись | Интерпретируемость ML-моделей | SHAP-values, LIME | ||
| 11, Запись | Кластеризация | K-means, (H)DBSCAN, метрики качества (внутренние и внешние) | ||
| 12, Запись |
Иерархическая кластеризация, подходы к графовой кластеризации. Optuna |
|||
| 13, Запись | Рекомендательные системы и ранжирование | Ранжирование, метрики качества ранжирования (попарные, поточечные, списковые). Основные подходы к построению рекомендаций |
||
| 14, Запись |
Бустинги и факторизационные машины для рекомендаций |
|||
| 15, Запись | Детекция аномалий и дисбаланс классов | ... | ||
| 16, Запись | Прогнозирование временных рядов | Особенности работы со временными рядами (сэмплинг), характеристики временных рядов (стационарность, сезонность, автокорреляция), библиотеки для прогнозирования TS (prophet) |
Записи консультаций
Формула оценивания
Оценка = 0 * ОТренировочные тесты + 0.2 * ОStepik + 0.1 * ОКонтрольная + 0.2 * ОЭкзамен + 0.5 * ОДЗ (1)
Автоматы: Если накопленная до экзамена оценка (до округления) больше или равна 7, то она (после округления) по желанию студента ставится в качестве итоговой оценки. Для получения автомата также необходимо получить за контрольную не менее 6 баллов (неокругленных).
Под накопленной оценкой до экзамена понимаем Накоп_до_экзамена = Оценка / 0.8
В случае если накопленная до экзамена оценка (опять же, до округления) < 7 и/или студент получил за коллоквиум во 2-м модуле < 6 баллов, то автомат за экзамен не предусмотрен. Итоговая оценка тогда считается по формуле (1), округляется и ставится в зачетку.
Тренировочные тесты
- Линейные модели
- Feature Engineering, снижение размерности
- Решающие деревья
- Композиции
- Быстрый kNN, интерпретация моделей
- Кластеризация
- RecSys
Домашние задания
Инвайт в Anytask:
- Линейная регрессия
- Линейная классификация
- Решающие деревья. Ансамбли над решающими деревьями
- Кластеризация
- Аномалии, RecSys
Контрольная
Информация появится позднее
Экзамен
Информация появится позднее
Литература
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009
- Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
- Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.
- Учебник по Машинному обучению: https://academy.yandex.ru/handbook/ml
