Этап 1 — Классический ML

Цель: классическое ML от регрессии до ансамблей + осмысленные метрики. Срок: 3–4 недели.

Программа

• ☐ Andrew Ng, курс 1: регрессия (одна/много переменных, градиентный спуск, векторизация)
• ☐ Andrew Ng, курс 2: классификация (логрег, переобучение, регуляризация, метрики)
• ☐ mlcourse.ai, статьи 1–6 (рус.): EDA, деревья, ансамбли, градиентный бустинг
• ☐ sklearn end-to-end: train/test, cross_val_score, Pipeline, ColumnTransformer
• ☐ Метрики: accuracy/precision/recall/F1, ROC-AUC, confusion matrix, когда какая врёт
• ☐ Практика: Titanic → House Prices

Квиз (проверь себя)

1. Чем label leakage отличается от переобучения? Пример каждого.
2. Почему accuracy 99.5% может быть плохо? Приведи задачу.
3. Что делает StratifiedKFold и когда он обязателен?
4. Регуляризация L1 vs L2: что делает с весами и когда какую брать?

Мини-проект

Прогноз на данных RuOpt (обезличенных): например, вероятность возврата заказа по признакам товара/поставщика. Сдаёшь: ноутбук + краткое описание признаков и метрик.

Дальше — Этап 2 · Deep Learning.