2.0 KiB
2.0 KiB
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
- Разбиения данных, кросс-валидация и baseline
- Линейные модели, kNN, Naive Bayes и SVM
- Метрики, пороги, калибровка и дисбаланс
Термины модуля: 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— Выбор модели по свойствам данныхassignments/02_imbalanced.md— Несбалансированная классификацияassignments/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.