Машинное обучение на практике весна 2025 — различия между версиями
Snezhanna (обсуждение | вклад) (→Общие сведения) |
(→Общие сведения) |
||
| (не показано 5 промежуточных версий этого же участника) | |||
| Строка 7: | Строка 7: | ||
* [ Продление дедлайнов] | * [ Продление дедлайнов] | ||
* [https://t.me/+PxdThaEu48JlM2Qy Telegram-чат курса] | * [https://t.me/+PxdThaEu48JlM2Qy Telegram-чат курса] | ||
| + | * [https://docs.google.com/forms/d/e/1FAIpQLSfU0M80k2Q3IWCwHeDzHVsovg6yv90BSI0WwopEADytH2eClg/viewform?usp=header Форма для сдачи ДЗ] | ||
| + | |||
| + | ==Программа курса== | ||
| + | *1. Введение: задачи прикладного машинного обучения и почему машинное обучение это не просто fit predict | ||
| + | *2. Рекомендательные системы | ||
| + | *3. Ценообразование на основе данных: smart pricing и dynamic pricing | ||
| + | *4. Лидогенерация: таргетирование с помощью прогнозов вероятности целевого действия, uplift modelling и positive-unlabeled (PU) learning | ||
| + | *5. Скоринг клиентов: классическая задача оценки вероятности дефолта, скоринг мошенников и кастомные скоринги | ||
| + | *6. Детектирование аномалий или почему антифрод это не просто скоринг | ||
| + | *7. Приоритизация расходов на основе прогнозов моделей | ||
| + | *8. Автоматизация работы с помощью deep learning | ||
=== Материалы занятий === | === Материалы занятий === | ||
| − | === Домашние задания === | + | === Домашние задания и критерия получения оценки=== |
| + | На курсе всего будет 8 домашних заданий, 6 из них обязательные (на выбор студентов), поэтому итоговая оценка считается так: | ||
| + | |||
| + | Итоговая оценка = средняя оценка за 6 домашних работ (с округлением вверх) | ||
| + | |||
| + | Домашние работы будут появляться на платформе после семинаров/лекций! | ||
= Преподаватели = | = Преподаватели = | ||
| Строка 19: | Строка 35: | ||
Зелинский Никита | Зелинский Никита | ||
| − | |||
| − | |||
| − | |||
| − | |||
== Итоговая аттестация == | == Итоговая аттестация == | ||
Текущая версия на 18:27, 21 апреля 2025
Содержание
[убрать]Общие сведения
- Семестр: весенний семестр 2025
- Формы контроля:
- Форма регистрации на курс
- [ План занятий и домашних работ]
- [ Таблица с оценками]
- [ Продление дедлайнов]
- Telegram-чат курса
- Форма для сдачи ДЗ
Программа курса
- 1. Введение: задачи прикладного машинного обучения и почему машинное обучение это не просто fit predict
- 2. Рекомендательные системы
- 3. Ценообразование на основе данных: smart pricing и dynamic pricing
- 4. Лидогенерация: таргетирование с помощью прогнозов вероятности целевого действия, uplift modelling и positive-unlabeled (PU) learning
- 5. Скоринг клиентов: классическая задача оценки вероятности дефолта, скоринг мошенников и кастомные скоринги
- 6. Детектирование аномалий или почему антифрод это не просто скоринг
- 7. Приоритизация расходов на основе прогнозов моделей
- 8. Автоматизация работы с помощью deep learning
Материалы занятий
Домашние задания и критерия получения оценки
На курсе всего будет 8 домашних заданий, 6 из них обязательные (на выбор студентов), поэтому итоговая оценка считается так:
Итоговая оценка = средняя оценка за 6 домашних работ (с округлением вверх)
Домашние работы будут появляться на платформе после семинаров/лекций!
Преподаватели
Руководитель курса
Виктор Кантор
Зелинский Никита
