# Модуль 06. Классическое машинное обучение

Плановый срок: **недели 12–14**.

## Цели

- формулировать задачи regression, classification и ranking
- выбирать baseline, loss, метрики и схему валидации
- понимать kNN, линейные модели, SVM и вероятностные модели

## Предварительные знания

Нужны подготовка данных без leakage, основы вероятности, функции потерь и градиентный спуск.

## Теория

1. [Разбиения данных, кросс-валидация и baseline](notes/01_validation_and_baselines.md)
2. [Линейные модели, kNN, Naive Bayes и SVM](notes/02_models.md)
3. [Метрики, пороги, калибровка и дисбаланс](notes/03_metrics_thresholds_and_calibration.md)

Термины модуля: [`glossary.md`](glossary.md).

Для каждого урока: прочитайте теорию, воспроизведите ключевой пример своими
руками и запишите три тезиса без подсказки. Формулы из этого модуля нужно
уметь связать с кодом и наблюдаемым поведением модели.

## Задания

- [`assignments/01_model_selection.md`](assignments/01_model_selection.md) — Выбор модели по свойствам данных
- [`assignments/02_imbalanced.md`](assignments/02_imbalanced.md) — Несбалансированная классификация
- [`assignments/03_regression.md`](assignments/03_regression.md) — Надёжная регрессия

## Завершение модуля

Модуль завершён, когда все задания удовлетворяют критериям приёмки,
вы можете объяснить основные решения без ноутбука и получили review.