МОВС Машинное обучение 2022-23 — различия между версиями
м |
м (add another option for last hw) |
||
| Строка 122: | Строка 122: | ||
* Снижение размерности и визуализация | * Снижение размерности и визуализация | ||
* Кластеризация | * Кластеризация | ||
| − | * Большая практическая работа // Kaggle // работа с текстами средствами ML-моделей (?) | + | * Большая практическая работа // Kaggle // работа с текстами средствами ML-моделей (?) // RecSys (ML) |
== Литература == | == Литература == | ||
Версия 18:43, 1 ноября 2022
Содержание
О курсе
Занятия проводятся в Zoom по пятницам в 18:00
Онлайн-курс в дополнение к парам: online-course link
Контакты
Канал курса в TG: [channel link]
Чат курса в TG: [chat link]
Преподаватели: Кантонистова Елена Олеговна, Максимовская Анастасия Максимовна
| Ассистент | Контакты |
|---|---|
| Савелий | @Savely_Prokhorov |
Материалы курса
Ссылка на плейлист курса на YouTube: YouTube-playlist
Ссылка на GitHub с материалами курса: GitHub repository
| Занятие | Тема | Дата | Материалы для самоподготовки к семинарам | Дополнительные материалы |
|---|---|---|---|---|
| 1 | Запись | 04.11.22 |
Линейные методы регрессии: Нормализация данных, feature engineering, метрики качества регрессии. Методы оценивания обобщающей способности моделей, кросс-валидация |
|
| 2 | Запись | 11.11.22 |
Линейные методы классификации: Логистическая регрессия, калибровка вероятностей, метрики качества классификация |
|
| 3 | Запись | 18.11.22 |
Линейные методы классификации - 2: SVM, SVM-kernels, многоклассовая и multilabel-классификации |
|
| 4 | Запись | 25.11.22 |
Метрические классификаторы: kNN, naive Bayes classifier, быстрый поиск ближайших соседей |
|
| 5 | Запись | 02.12.22 |
Обработка признаков и работа с выбросами: Способы работы с пропущенными значениями, поиск аномалий, кодирование категориальных признаков (счётчики) |
|
| 6 | Запись | 09.12.22 |
Снижение размерности данных: Методы отбора признаков, расширения SVD, MDS, t-SNE |
|
| 7 | Запись | 16.12.22 |
Решающие деревья и их композиции: Алгоритм построения дерева, критерии информативности (регрессия и классификация), обработка пропусков для деревьев, стрижка и регуляризация |
|
| 8 | Запись |
Решающие деревья и их композиции - 2: Разложение ошибки на шум, смещение и разброс; бэггинг; случайный лес |
||
| 9 | Запись |
Решающие деревья и их композиции - 3: Бустинг, градиентный бустинг над решающими деревьями, различные интерпретации GB; прочие подходы к ансамблированию |
||
| 10 | Запись | ...<date>... | ||
| 11 | Запись | ...<date>... | ||
| 12 | Запись | ...<date>... | ||
| 13 | Запись | ...<date>... | ||
| 14 | Запись | ...<date>... | ||
| 15 | Запись | ...<date>... | ||
| 16 | Запись | ...<date>... | ||
| 17 | Запись | ...<date>... | ||
| 18 | Запись | ...<date>... |
Записи консультаций
Формула оценивания
Оценка = 0 * ОТренировочные тесты + 0.075 * ОПромежуточные тесты + 0.075 * О Взаимопроверка + 0.1 * ОКоллоквиум + 0.15 * ОЭкзамен + 0.6 * ОДЗ
Автоматы: Если накопленная оценка больше или равна 8, то она по желанию студента ставится в качестве итоговой оценки. Для получения автомата также необходимо получить за коллоквиум не менее 6 баллов.
Домашние задания
- LinReg + OOP
- LinearClassification + SQL
- Сравнение деревянных моделей + inference
- Снижение размерности и визуализация
- Кластеризация
- Большая практическая работа // Kaggle // работа с текстами средствами ML-моделей (?) // RecSys (ML)
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.
