Чтобы попасть в здание, нужно пройти через турникет. Чтобы открыть парковку, нужно открыть шлагбаум. Чтобы попасть на этаж, нужно приложить &ldquo;таблетку&rdquo;. Все это фиксируется - кто, в какую дату, в какое время.

Сможем ли мы выучить кому конкретно принадлежит след прохода через турникеты? Мы знаем, что это был кто-то, кто уже был, хотя &hellip; есть несколько новых посетителей.

&nbsp;

&ldquo;8 утра понедельник, турникет 4? Директор.&rdquo; &ldquo;11 утра суббота? Гриша. Но Гриша в последний день месяца никогда не приходит.&rdquo;&nbsp; Какие есть закономерности в настоящих данных?

&nbsp;

В тестовой выборке id посетителей заменены на слова, которые встречались в курсе &quot;Линейные модели&quot;: aucroc, binary, blue, categorical и т.п.

&nbsp;

Ваша задача составить таблицу вида:

&nbsp;

&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;

<figure class="table">
<table>
	<tbody>
		<tr>
			<td>user_word</td>
			<td>preds</td>
		</tr>
		<tr>
			<td>aucroc</td>
			<td>49</td>
		</tr>
		<tr>
			<td>binary</td>
			<td>12</td>
		</tr>
		<tr>
			<td>blue</td>
			<td>55</td>
		</tr>
		<tr>
			<td>categorical</td>
			<td>-999</td>
		</tr>
		<tr>
			<td>coefficient</td>
			<td>15</td>
		</tr>
		<tr>
			<td>...</td>
			<td>&hellip;</td>
		</tr>
	</tbody>
</table>
</figure>

&nbsp;

где user_word - index, preds - колонка с соответствующими id. Таблицу нужно запомнить как csv (см. пример в разделе Данные). -999 &ndash; id&nbsp;нового посетителя, которого раньше не было.

Каждому слову сопоставлен вес, который зависит от того, насколько трудно предсказать id. Баллы набираются как взвешенная по весам сумма правильных ответов. Чем сложнее вы отгадали слово, тем больше баллов.

Отгадали все? Забирайте 560 баллов и становитесь безусловным победителем. Набрали меньше - посчитаем баллы по итоговому месту в турнирной таблице.&nbsp;

&nbsp;

Конкурс уже проводился, поищите наработки: исследование источников - это часть работы дата аналитика. Для победы в конкурсе вам понадобятся: конструирование признаков, анализ данных, использование разных моделей, подбор гиперпараметров, валидация &ndash; всё как в настоящей работе.&nbsp;

Кто там? Предскажите, кто вошел в здание по времени и турникету.
Мы знаем, что "след" через турникеты принадлежит "Х". Кто этот "Х" предстоит вычислить по данным. 
ID юзеров известны по обучающей выборке (кроме нескольких новых!).

Public

Agreement

Регистрируясь на курс, я даю <a href="https://storage.yandexcloud.net/ds-ods/files/content/2025/09/10/4fe2e1a5db2a/2025_09_08_%D0%A1%D0%BE%D0%B3%D0%BB%D0%B0%D1%81%D0%B8%D0%B5_%D0%BC%D0%B5%D1%80%D0%BE%D0%BF%D1%80%D0%B8%D1%8F%D1%82%D0%B8%D1%8F_%D0%B8_%D0%BA%D1%83%D1%80%D1%81%D1%8B.pdf">согласие</a> на обработку персональных данных.

first_name

First name

last_name

Last name

email

Email

telegram

Telegram

study_place

Study place

study_specialty

Study specialty

work_place

Work place

work_position

Work position

expectations

Expectations

interests

Interests

preferred_language

Preferred language

about

About

where_from_course

Откуда узнали о курсе?

nlp_student

Если в вашей учебной программе в этом семестре есть курс NLP, выберите свой вуз:

Registration application for Course Season Autumn 2025

Турникеты 2.0: Чей это след?

Predictions

Линейная регрессия и чем подход машинного обучения отличается от подхода, который применяется в эконометрике

Теория

Тема 1. Линейные модели: 1. Линейная регрессия

Тестирование

Домашнее задание 1 (тест)

Course block deadline expired on 02.10.2025 20:59

Block deadline expired

Логистическая регрессия, функция потерь - кросс-энтропия, градиентный спуск и решение численным методом. Предсказание вероятности, пороги принятия решений, матрица ошибок, точность и полнота, F-мера и Gini

Тема 1. Линейные модели: 2. Лог регрессия

Домашнее задание 2 (тест)

Course block deadline expired on 09.10.2025 20:59

Стратификация, скользящий контроль, смещение и разброс, валидационная кривая, сколько нужно данных, признаки из текста, времени, выбор признаков

Тема 1. Линейные модели: 3. Выбор модели

Домашнее задание 3 (тест)

Course block deadline expired on 16.10.2025 20:59

Деревья + Построение дерева

Тема 2. Деревья и ансамбли: 4. Деревья + Построение дерева

Домашнее задание 4 (тест)

Course block deadline expired on 23.10.2025 20:59

Дополнительные условия при построении деревьев + Классификация и лес

Тема 2. Деревья и ансамбли: 5. Виды деревьев + Классификация и лес

Домашнее задание 5 (тест)

Course block deadline expired on 30.10.2025 20:59

Тема 2. Деревья и ансамбли: 6. Градиентный бустинг

Домашнее задание 6 (тест)

Course block deadline expired on 06.11.2025 20:59

Интерпретация моделей

Тема 3. Что ещё может пригодиться, кроме нейросетей: 7.Интерпретация моделей

Домашнее задание 7 (тест)

Course block deadline expired on 13.11.2025 20:59

Тема 3. Что ещё может пригодиться, кроме нейросетей:  8. АБ тесты

Турникеты - 2: Чей это след?
Кто там? Предскажите, кто вошел в здание по времени и турникету.

Соревнование

Конкурс "Турникеты-2.0"

Course block deadline expired on 17.12.2025 20:59

Тема 3. Что ещё может пригодиться, кроме нейросетей:  9. Кластеризация и снижение размерности

<h3>О курсе</h3>

Классические модели машинного обучения - это линейные модели и модели на основе деревьев решений.

Такие модели лучше других справляются с задачами, где разнородные данные, т.н. &quot;табличные данные&quot;, т.е. такие, которые часто находятся в базах данных и которые выглядят как таблица: строки - наблюдения, столбцы - признаки.

В отличие от картинок, текстов, аудио, видео, которые представляют из себя огромные объемы данных, причём данные однородны и каждый пиксель или слово зависят от предыдущего. Для таких данных лучшие модели - это нейронные сети.

Курс будет полезен начинающим специалистам, и тем, кто хочет освежить знания по линейным моделям и деревьям.

Общение и вопросы по курсу - в чате <a href="https://mm.ods.ai/ods/channels/classic_ml_course" rel="noopener noreferrer" target="_blank">https://mm.ods.ai/ods/channels/classic_ml_course</a>

Даты: 18.09.2025 - 24.12.2025

<h3>Программа курса и даты</h3>

<figure class="table">
<table>
	<tbody>
		<tr>
			<td>
			<h4>Тема 1. Линейные модели</h4>

			Темы о линейной зависимости: поговорим о линейной и логистической регрессиях, метриках, валидации, генерации признаков.

			1. Линейная регрессия. 18.09.2025&nbsp;

			Линейная регрессия и чем подход машинного обучения отличается от подхода, который применяется в эконометрике

			ДЗ-1 открывается с лекцией, дедлайн 02.10.2025

			2. Логистическая регрессия. 25.09.2025

			Логистическая регрессия, функция потерь - кросс-энтропия, градиентный спуск и решение численным методом. Предсказание вероятности, пороги принятия решений, матрица ошибок, точность и полнота, F-мера и Gini

			ДЗ-2 открывается с лекцией, дедлайн 09.10.2025

			3. Выбор модели. 02.10.2025

			Стратификация, скользящий контроль, смещение и разброс, валидационная кривая, сколько нужно данных, признаки из текста, времени, выбор признаков

			ДЗ-3 открывается с лекцией, дедлайн 16.10.2025
			</td>
		</tr>
		<tr>
			<td>
			<h4>Тема 2. Деревья и их ансамбли</h4>

			Темы о деревьях и ансамблях: как строится дерево, как создается ансамбль. Разберём градиентный бустинг.

			4. Деревья и построение дерева 09.10.2025

			ДЗ-4 открывается с лекцией, дедлайн 23.10.2025

			5. Виды деревьев, классификация и лес 16.10.2025

			ДЗ-5 открывается с лекцией, дедлайн 30.10.2025

			6. Градиентный бустинг 23.10.2025

			ДЗ-6 открывается с лекцией, дедлайн 06.11.2025
			</td>
		</tr>
		<tr>
			<td>
			Тема 3. Что ещё может пригодиться, кроме нейросетей

			Темы про интерпретацию и причинно-следственные связи, АБ тесты, кластеризацию и снижение размерности.

			7. Интерпретация моделей 30.10.2025

			ДЗ-7 открывается с лекцией, дедлайн 13.11.2025

			8. АБ тесты 06.11.2025

			9. Кластеризация и снижение размерности 13.11.2025
			</td>
		</tr>
	</tbody>
</table>
</figure>

<h3>Оценка</h3>

Каждое ДЗ оценивается по количеству решенных задач (разное кол-во баллов в зависимости от сложности задачи):

ДЗ-1 (макс 68)

ДЗ-2 (макс 62)

ДЗ-3 (макс 56)

ДЗ-4 (макс 44)

ДЗ-5 (макс 30)

ДЗ-6 (макс 26)

ДЗ-7 (макс 34)

После освоения основного материала будет конкурс, где можно заработать столько же баллов, сколько за ДЗ, за попадание в ТОП-5 конкурса (и пропорционально меньше, если место ниже).

<h3>Авторы курса</h3>

Иван Комаров, КоронаТех, <a href="https://ods.ai/" rel="noopener noreferrer" target="_blank">ods.ai</a>, НГУ, <a href="https://t.me/getdatakomarov" rel="noopener noreferrer" target="_blank">https://t.me/getdatakomarov</a>&nbsp; 
Артем Шевляков, Школа компьютерных наук ТюмГУ, <a href="https://www.utmn.ru/imkn/shkn/index.php" rel="noopener noreferrer" target="_blank">https://www.utmn.ru/imkn/shkn/index.php</a> 
Дмитрий Лапочкин, НГУ 
Георгий Туркия, НГУ 
&nbsp;

Курс про линейные модели и ансамбли из деревьев решений. Обновленные домашки!

Таблица лидеров

Последняя лекция появится с задержкой

Классические модели ML (autumn 2025)

Андрей Костин

Andrey Nepomnyashchy

Павел Бороздин

Елизавета Шашкина

Гемузов Артем

Квинт Лукас

Сабитов Вадим

Дима Попов

Климов Богдан

Neupokoev Nikita

Konstantin K

Anikeev Maxim

Алиса Астафьева

Ksenia Shulgina

GOTTA GET A GRIP

v97e88c9be1d8

p34f600c4b693

gb2e5c1a0ad60

vf0de792bc01c

Позднякова Мария

bd709beb2bf4a

ostaninfiodor

Елизавета Костина

Ilya Grishin

me07754807827

b906bd60a07d8

Maximmg

Pavel Veshkin

cec51b05c0d20

Машков Михаил

Андрей Богинский

6f357130408d

Хрисанов Константин

Дмитрий Лапочкин

Stepanova Anna 228

Ксения Докукина

y9ff95860c3e8

Artem Bulgakov

Tam KS

Шешенин Георгий

w63d924cee7fb

lfb047af9b6bc

Alex Mitin

Игорь Малышев

Абалтусова Екатерина

Natalia Slesarenko

td77b4ae1910a

Алексей Суслов

Accuracy

#	Teams (86)	Accuracy	Last	Entries
1	Андрей Костин	560	5m	31
2	Andrey Nepomnyashchy	560	5m	47
3	Павел Бороздин	560	5m	66
4	Елизавета Шашкина	560	5m	55
5	Гемузов Артем	560	5m	59
6	Квинт Лукас	466	5m	40
7	Сабитов Вадим	466	5m	26
8	Дима Попов	466	5m	27
9	Климов Богдан	466	5m	26
10	Neupokoev Nikita	437	5m	33
11	Konstantin K	432	5m	64
12	Anikeev Maxim	420	5m	7
13	Алиса Астафьева	402	5m	39
14	Ksenia Shulgina	395	5m	41
15	GOTTA GET A GRIP	386	5m	34
16	v97e88c9be1d8	386	5m	10
17	p34f600c4b693	383	5m	5
18	gb2e5c1a0ad60	380	5m	5
19	vf0de792bc01c	378	5m	5
20	jon	378	5m	5
21	Позднякова Мария	372	5m	53
22	bd709beb2bf4a	364	5m	15
23	ostaninfiodor	361	5m	35
24	Елизавета Костина	359	5m	33
25	Ilya Grishin	350	5m	10
26	me07754807827	346	5m	5
27	b906bd60a07d8	346	5m	5
28	Maximmg	344	5m	45
29	Pavel Veshkin	332	5m	14
30	cec51b05c0d20	331	5m	4
31	Машков Михаил	330	5m	5
32	Андрей Богинский	322	5m	12
33	6f357130408d	318	5m	6
34	Хрисанов Константин	312	5m	2
35	shi	309	5m	5
36	Дмитрий Лапочкин	307	5m	8
37	Stepanova Anna 228	305	5m	6
38	Ксения Докукина	296	5m	31
39	y9ff95860c3e8	293	5m	7
40	Artem Bulgakov	284	5m	25
41	Tam KS	272	5m	26
42	Шешенин Георгий	267	5m	35
43	w63d924cee7fb	251	5m	31
44	lfb047af9b6bc	240	5m	20
45	Alex Mitin	236	5m	52
46	Игорь Малышев	236	5m	2
47	Абалтусова Екатерина	236	5m	3
48	Natalia Slesarenko	236	5m	7
49	td77b4ae1910a	231	5m	5
50	Алексей Суслов	225	5m	9