Машинное обучение 5SE осень 2021

Преподаватели:

• Лукашина Нина
• Аленичева Алиса
• Картышева Елена

Условия сдачи курса

• 70 баллов за 7 домашних работ (10 баллов за каждую)
• 50 баллов за 5 оцениваемых практик (10 баллов за каждую)
• 28 баллов за 7 квизов (4 балла за каждый)
• 35 баллов за финальный тест

Максимум: 183 (100%)

• 5: 160+ (87%)
• 4: 140+ (77%)
• 3: 110+ (62%)

Условие зачета: набрать 50% (5 баллов) по каждой домашней работе и практике с оценкой.

Одну из домашних работ или практик можно сдать на последней неделе курса.

Табличка с оценками

Лекции

1. Introduction. Exploring and preprocessing data.

2. KNN, Clustering and active learning

3. Decision Trees. Ensembles: bagging (RF), boosting (AdaBoost, gradient boosting), stacking.

4. Linear classifiers: perceptron. Theory of learning.

5. Linear classifiers: SVM. Naive Bayes.

6. Regression: linear, polynomial. Bias and variance. Regularization: L1, L2. Ridge regression, LARS, LASSO, SVR. Outliers: Theil-Sen, RANSAC, Huber Regressor.

7. Neural Nets. Stochastic search.

8. DL for Images.

9. Генеративные модели

10. Снижение размерности

11. DL for text

12. Reinforcement learning

13. Reinforcement learning 2

14. Graph ML

Домашние задания

Репозиторий с домашними заданиями.

В качестве ответа отправьте файл с заполненным jupyter notebook на почту intro.ml.itmo@gmail.com .

Задания оцениваются бинарно: либо максимальный балл, либо - 0.

Практики

Практики без оценки

1. Введение в NumPy, Pandas и визуализацию (к сожалению, wiki не умеет подгружать .ipynb ‎файлы, поэтому приходится архивировать)

2. Немного про метрики в случае несбалансированной выборки и one-class classification

Практики с оценкой

1. PyTorch (дедлайн 11.11.21, 23:59)

2. DL for images (мягкий дедлайн 11.11.21, 23:59, жесткий дедлайн 18.11.21, 23:59)