Следите за обновлениями

Последняя лекция появится с задержкой

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 2.0: Чей это след?

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

Соревнование

Конкурс "Турникеты-2.0"

Course block will be opened on 20.11.2025 07:00

Block is not open yet

<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 - 20.11.2025

<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

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.