Текущая версия на 08:27, 5 февраля 2026

Содержание

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

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!

Руководитель курса

Виктор Кантор

Зелинский Никита

@@ Строка 2: / Строка 2: @@
 * Семестр: весенний семестр 2025
 * Формы контроля:
-* '''[https://forms.gle/7CHFseoG1Ehj1gt79 Форма регистрации на курс]'''
+* Форма регистрации на курс
 * [ План занятий и домашних работ]
 * [ Таблица с оценками]
 * [ Продление дедлайнов]
-* [https://t.me/+PxdThaEu48JlM2Qy Telegram-чат курса]
+* [https://t.me/+eyR9FKWfAPBjOTYy Telegram-чат курса]
-* [https://docs.google.com/forms/d/e/1FAIpQLSfU0M80k2Q3IWCwHeDzHVsovg6yv90BSI0WwopEADytH2eClg/viewform?usp=header Форма для сдачи ДЗ]
+* [ Форма для сдачи ДЗ]
 ==Программа курса==