МОВС Ключевой семинар Машинное обучение, ML (2023-24 уч. год, 2-3 модули)
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 | Тема | Дата | Ссылки |
---|---|---|---|
1, Запись |
Материалы Линейные методы регрессии: Нормализация данных, feature engineering, метрики качества регрессии. Методы оценивания обобщающей способности моделей, кросс-валидация |
||
2, Запись |
Линейная регрессия. Продолжение |
||
3, Запись |
Линейные методы классификации - 1: Логистическая регрессия, калибровка вероятностей. kNN |
||
4, Запись |
Линейные методы классификации - 2: SVM, SVM-kernels. Метрики качества классификации. Счётчики. |
||
5, Запись |
Снижение размерности данных: Методы отбора признаков, расширения SVD, MDS, t-SNE |
||
6, Запись |
Решающие деревья и их композиции: Алгоритм построения дерева, критерии информативности (регрессия и классификация), обработка пропусков для деревьев, стрижка и регуляризация |
||
7, Запись |
Решающие деревья и их композиции - 2: Разложение ошибки на шум, смещение и разброс; бэггинг; случайный лес |
||
8, Запись |
Решающие деревья и их композиции - 3: Бустинг, градиентный бустинг над решающими деревьями, различные интерпретации GB; прочие подходы к ансамблированию |
||
9, Запись |
Быстрый поиск ближайших соседей, LSH |
||
10, Запись |
Интерпретируемость ML-моделей: SHAP-values, LIME |
||
11, Запись |
Кластеризация: K-means, (H)DBSCAN, метрики качества (внутренние и внешние) |
||
12, Запись |
Кластеризация - 2, Optuna Иерархическая кластеризация, подходы к графовой кластеризации |
||
13, Запись |
Рекомендательные системы и ранжирование: Ранжирование, метрики качества ранжирования (попарные, поточечные, списковые), основные подходы к построению рекомендаций |
||
14, Запись |
Рекомендательные системы и ранжирование - 2: 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 + 0.1 * ОStepik + 0.1 * ОКонтрольная + 0.2 * ОЭкзамен + 0.6 * 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
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