—
Модуль 01 — Классический ML
Регрессия, классификация, ансамбли и честные метрики — ядро прикладного ML. Срок: ~4 недели. Основа — курс Andrew Ng (есть русские субтитры) и mlcourse.ai (оригинально русскоязычный); здесь — авторский конспект и практика на наших данных.
Уроки
- Урок 01 — Линейная модель и градиентный спуск
- Урок 02 — Классификация и метрики
- Урок 03 — Деревья, ансамбли и градиентный бустинг
- Урок 04 — Честная валидация и Pipeline
Чему научишься
- Линейная модель и градиентный спуск «руками», регуляризация L1/L2
- Классификация: почему accuracy врёт, выбирать метрику под цену ошибки
- Деревья, случайный лес, градиентный бустинг — и когда что выбирать
- Честная валидация: StratifiedKFold, утечки, Pipeline, подбор гиперпараметров
Зависимости
В уроке 03 используется LightGBM: pip install lightgbm (в то же окружение, где numpy/pandas из модуля 00).
Внешние источники (для глубины, по желанию)
- Andrew Ng, ML Specialization — аудит бесплатен, рус. субтитры
- mlcourse.ai — глубокий открытый курс (рус/англ)
- Документация sklearn — образцовая
Итог модуля
Kaggle Titanic → House Prices полным пайплайном, затем прогноз возврата заказа на данных RuOpt (обезличенных). Метрика, бейзлайн, улучшение — с честным сравнением. Каждый урок сдаётся ноутбуком на ревью.