Машинное обучение (ИИ25, 2-3 модули)

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 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

3️⃣base/pro - вебинар, который рекомендуется посетить всем

4️⃣expert - 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
...	...
...	...
...	...
...	...
...	...
...	...
...	...
...	...

Материалы курса

Ссылка на GitHub с материалами курса: [... repository]

Блок	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)
12	SVM. Калибровка вероятностей. (base)
13	SHAP, Permutation Importance. Ядровой SVM. (pro)
14	Основы работы с текстами методами машинного обучения (base)
15	Отбор признаков и PCA для снижения размерности. (base+pro)
16	Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
17	Бустинг. Современные имплементации градиентного бустинга (base+pro)
18	Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
19	Как проходить собеседования по машинному обучению? (base+pro)
20	Методы снижения размерности (pro)
21	Uplift-моделирование (base+pro)
22	Методы поиска аномалий (base+pro)
23	Рекомендательные системы (base+pro)

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: ...

Условия домашних заданий находятся [... здесь].

1. EDA и Линейная регрессия с инференсом.
2. Градиентный спуск.
3. Линейная классификация (+ парсинг)
4. Деревья и леса
5. Бустинг и кластеризация
6. Uplift-моделирование
7. Итоговое задание

Дедлайн по Stepik - конец курса (20 марта 23:59).