ai_learning/modules/06_classical_ml

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
2. Линейные модели, kNN, Naive Bayes и SVM
3. 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 данных
• assignments/02_imbalanced.md — Несбалансированная классификация
• 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.