Классический ML
- Введение в машинное обучение Что такое ML, типы задач, обучение, метрики качества
- Метрики качества MSE, RMSE, MAE, R², accuracy, precision, recall, F1, ROC-AUC
- Линейные модели Применимость, теорема Гаусса-Маркова, признаки, многоклассовая классификация
- Функции потерь MSE, MAE, log-loss, SVM и логистическая регрессия
- Решающие деревья Структура, обучение, критерии качества, обработка пропусков
- Bias-Variance Decomposition Шум, смещение, разброс — откуда берётся ошибка модели
- Бэггинг и Random Forest Бутстрап, бэггинг, случайный лес, OOB, важность признаков
- Градиентный бустинг Общий случай, регуляризация, GBDT, бустинг второго порядка
- CatBoost, LightGBM, XGBoost Основные идеи, отличия, когда что использовать
- Кластеризация K-Means, иерархический подход, DBSCAN, EM-кластеризация
- Валидация и интерпретируемость Hold-out, кросс-валидация, LIME, SHAP, target encoding