Цель курса – развить понимание основных концепций машинного обучения (теория) и дать навыки его использования (практика).

Требуются начальные навыки программирования на Python и знание математики (математический анализ, линейная алгебра, теория вероятностей, математическая статистика) на уровне 2 курса технического ВУЗа.

1. Первичный анализ данных с Pandas, лекция
2. Визуальный анализ данных с Python, часть 1, часть 2
3. Классификация, деревья решений и метод ближайших соседей, лекция
4. Линейные модели классификации и регрессии, часть 1, часть 2, часть 3, часть 4, часть 5
5. Композиции: бэггинг, случайный лес, часть 1, часть 2, часть 3
6. Построение и отбор признаков, лекция
7. Обучение без учителя: PCA и кластеризация, часть 1, часть 2, часть 3
8. Обучаемся на гигабайтах с Vowpal Wabbit, лекция
9. Анализ временных рядов с помощью Python, часть 1, часть 2, часть 3
10. Градиентный бустинг, часть 1, часть 2, часть 3, часть 4, часть 5, часть 6, часть 7, часть 8, часть 9, часть 10

1. Первичный анализ данных с Pandas
2. Визуальный анализ данных с Seaborn и Matplotlib
3. Классификация. Деревья решений
4. Логистическая регрессия
5. Случайный лес
6. Регрессия, регуляризация
7. Обучение без учителя
8. Признаки, SGD, Vowpal Wabbit
9. Временные ряды
10. Градиентный бустинг

1. Анализ данных по доходу населения UCI Adult, задание
2. Визуальный анализ данных о публикациях на Хабрахабре, задание
3. Деревья решений в игрушечной задаче и на данных Adult репозитория UCI, задание
4. Прогнозирование популярности статей на TechMedia (Хабр) с помощью линейных моделей, задание
5. Логистическая регрессия и случайный лес в задаче кредитного скоринга, задание
6. Линейная регрессия, Lasso и RF-регрессия в задаче по определению качества вина, задание
7. Обучение без учителя: метод главных компонент и кластеризация, задание
8. Реализация алгоритмов онлайн-обучения, задание
9. Анализ временных рядов, задание
10. Прогнозирование задержек вылетов, задание