Машинное обучение на практике весна 2025 — различия между версиями
(→Общие сведения) |
(→Домашние задания) |
||
| Строка 21: | Строка 21: | ||
| − | === 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: | На курсе всего будет 8 домашних заданий, 6 из них обязательные (на выбор студентов), поэтому итоговая оценка считается так: | ||
Версия 13:34, 27 марта 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
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
