Машинное обучение на практике весна 2025: различия между версиями

Материал из Public ATP Wiki
Перейти к навигации Перейти к поиску
Новая страница: «Test»
 
 
(не показано 7 промежуточных версий 2 участников)
Строка 1: Строка 1:
Test
= Общие сведения =
* Семестр: весенний семестр 2025
* Формы контроля:
* '''[https://forms.gle/7CHFseoG1Ehj1gt79 Форма регистрации на курс]'''
* [ План занятий и домашних работ]
* [ Таблица с оценками]
* [ Продление дедлайнов]
* [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 ===
 
 
=== 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
 
== Итоговая аттестация ==

Текущая версия от 15:27, 21 апреля 2025

Общие сведения

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

Итоговая аттестация

Источник — https://wiki.atp-fivt.org/index.php?title=Машинное_обучение_на_практике_весна_2025&oldid=3931