Курс машинное обучение (магистры)

Задания

• task-1: Работа с pandas, построение графиков, очистка данных
• task-2: Линейная регрессия. Прогноз цены недвижимости Бостона. Нахождение главных признаков
• task-3: Построение решающих деревьев.
• task-4 Задача на классификацию сообщений
• task-5 Построить нейронную сеть для классификации mnist (повторить пример 05-dnn, это файл из курса от УрФУ https://openedu.ru/course/urfu/PYDNN/)

Прошлый год (2022-2023)

• task-2: Работа с pandas на примере датасета Титаник.
• task-3: Линейная регрессия. Проноз цены недвижимости Бостона. Нахождение главных признаков
• task-4: Задача на классификацию. Применить метод логистической регрессии, метод SVM и метод knn. Сравнить качество предсказания. Датасет https://www.kaggle.com/datasets/johnsmith88/heart-disease-dataset/versions/2?resource=download

Лекции 2022-2023

1. Введение. Карта методов машинного обучения. Основные определения и постановки задач (Конспект ВШЭ 01)
2. Линейные методы. Линейная регрессия. Метод градиентого спуска (Конспект ВШЭ 02-03)
3. Задачи классификации. Линейные методы: метод логистической регрессии (Конспект ВШЭ 05-06)
4. Задачи классификации. Линейные методы: метод опорных векторов (SVM) (Конспект ВШЭ 07) + https://www.youtube.com/watch?v=eLze-Mo6uaw
5. Задачи классификации. Решающие деревья. Бэггинг, случайные леса
6. Задачи классификации. Решающие деревья. Бэггинг, случайные леса -2
7. Задачи классификации. Метрические методы классификации. Метод k ближайших соседей.
8. Обучение без учителя. Понижение размерности и визуализация данных (PCA, DBSCAN, t-SNE).
9. Введение в текстовую аналитику-1
10. Введение в текстовую аналитику-2
11. Введение в текстовую аналитику-3
12. Временные ряды (обзор).
13. Что такое нейроные сети (обзор). Глубокое обучение (обзор).
14. Обучение с подкреплением (обзор).
15. Дополнительные материалы - Цифровая экономика (по материалам летней школы Сбербанка)