37 lines
2.0 KiB
Markdown
37 lines
2.0 KiB
Markdown
# 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.
|