Версия 13:33, 27 марта 2025

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 7: / Строка 7: @@
 * [ Продление дедлайнов]
 * [https://t.me/+PxdThaEu48JlM2Qy 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 ===