Просмотр кода страницы ИИ Машинное обучение (ИИ24, 2-3 модули)

==О курсе==

Занятия проводятся в zoom '''по понедельникам/вторникам/средам (в зависимости от недели) вечером.'''

Онлайн-курс в дополнение к парам: [https://stepik.org/course/125501/syllabus Практический Machine Learning]


В курсе нет явного разделения на base и pro группы на вебинарах, но все вебинары будут помечены одним из трех 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

3️⃣expert - 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

{| class="wikitable"
|-
! Ассистент !! Контакты 
|-
| style="background:#eaecf0;" |  Сабрина Садиех || @sabrina_sadiekh
|-
| style="background:#eaecf0;" |  Роман Залесинский || @roman_zalesinskii
|-
| style="background:#eaecf0;" |  Кирилл Малюшитский || @malyushitsky 
|-
| style="background:#eaecf0;" |  Георгий Чешко || @aketa147 
|-
| style="background:#eaecf0;" |  Тимур Акимов || @takimov
|-
| style="background:#eaecf0;" |  Алена Голубович || @alonagolubovich 
|-
| style="background:#eaecf0;" |  Виктор Тихомиров || @onthebox 
|-
| style="background:#eaecf0;" |  Глеб Булыгин || @jdbelg 
|-
| style="background:#eaecf0;" |  Яна Журович || @janinaal 
|}

==Материалы курса==

Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/ML_AI24/tree/main GitHub repository]

{| class="wikitable"
|-
 ! Блок !! Тема 
|-
| style="background:#eaecf0;" | '''1''' || Введение в машинное обучение. Основы линейной регресии (base) 
|-
| style="background:#eaecf0;" | '''2''' || Некоторые аспекты продвинутого EDA. Дашборды (base+pro) 
|-
| style="background:#eaecf0;" | '''3''' || Линейная регрессия подробнее (pro)
|-
| style="background:#eaecf0;" | '''4''' ||  Метрики качества линейной регрессии. Практика (base) 
|-
| style="background:#eaecf0;" | '''5''' || Решение задачи многомерной линейной регрессии через OLS. Функционалы потерь линейной регрессии и их математическое обоснование (pro)  
|-
| style="background:#eaecf0;" | '''6''' || Регуляризация. Кодирование категориальных признаков. Практика (base) 
|-
| style="background:#eaecf0;" | '''7''' || Связь метрик с бизнесом. Продвинутая работа с признаками (pro)
|-
| style="background:#eaecf0;" | '''8''' || Градиентный спуск (base)
|-
| style="background:#eaecf0;" | '''9''' || Модификации градиентного спуска (pro)
|-
| style="background:#eaecf0;" | '''10''' || Задача классификации. Базовые метрики качества классификации. Логистическая регрессия (base)
|-
| style="background:#eaecf0;" | '''11''' || Интегральные метрики качества классификации. Логистическая регрессия. Дисбаланс классов. (base+pro)
|-
| style="background:#eaecf0;" | '''12''' || SVM. Калибровка вероятностей. (base)
|-
| style="background:#eaecf0;" | '''13''' || SHAP, Permutation Importance. Ядровой SVM. (pro)
|-
| style="background:#eaecf0;" | '''14''' || Основы работы с текстами методами машинного обучения (base)
|-
| style="background:#eaecf0;" | '''15''' || Отбор признаков и PCA для снижения размерности. (base+pro)
|-
| style="background:#eaecf0;" | '''16''' || Деревья. Разложение ошибки на шум, смещение и разброс, бэггинг и случайный лес. (base+pro)
|-
| style="background:#eaecf0;" | '''17''' || Бустинг. Современные имплементации градиентного бустинга (base+pro)
|-
| style="background:#eaecf0;" | '''18''' || Кластеризация, метрики качества кластеризации. Визуализация. (base+pro)
|-
| style="background:#eaecf0;" | '''19''' || Как проходить собеседования по машинному обучению? (base+pro)
|-
| style="background:#eaecf0;" | '''20''' || Методы снижения размерности (pro)
|-
| style="background:#eaecf0;" | '''21''' || Uplift-моделирование (base+pro)
|-
| style="background:#eaecf0;" | '''22''' || Методы поиска аномалий (base+pro)
|-
| style="background:#eaecf0;" | '''23''' || Рекомендательные системы (base+pro)
|-
|}

=== Записи консультаций ===

==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: https://anytask.org/course/1151

Инвайт для Base: '''ChlwVVD'''

Инвайт для Pro: '''Uhxgzv1'''


Условия домашних заданий находятся [https://github.com/Murcha1990/ML_AI24/tree/main/Hometasks здесь].

# EDA и Линейная регрессия с инференсом. Мягкий дедлайн без Fast API - '''27 ноября 23:59''', мягкий дедлайн по Fast API - '''3 декабря 23:59'''
# Градиентный спуск. Мягкий дедлайн - '''12 декабря 23:59''' 
# Линейная классификация (+ парсинг) - '''23 декабря 23:59'''
# Деревья и леса - '''2 февраля 23:59'''
# Бустинг и кластеризация - '''16 февраля 23:59'''
# Uplift-моделирование - '''28 февраля 23:59'''
#

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