Урок 2. Задача и таргет. Метрики и функции потерь.

Менторство: https://datamentor.tech Плейлист:    • Practical ML. Практическое машинное обучение.   Доска: https://link.excalidraw.com/readonly/... ТАЙМКОДЫ 0:08 Постановка задачи 1:37 Что важно выбирать при постановке задачи, основные принципы --- 2:40 Тип задачи определяется таргетом, а не входными данными --- 5:27 Некоторые проблемы могут быть рассмотрены с перспективы различных задач --- 6:14 Не все оффлайн метрики целиком соответствуют задачам бизнеса и нам надо найти лучшее приближение (тут о различных "уровнях" метрик) --- 8:48 Существует безмерное количество метрик и лоссов; про кастомные лосс-функции --- 9:57 Не все метрики можно оптимизировать напрямую, поэтому надо искать ближайшую лосс-функцию для ее (метрики) приближения --- 12:00 Некоторые модели могут получать данные из разных источников --- 12:37 Некоторые модели могут решать несколько задач единовременно 15:05 Как будут рассматриваться задачи в этом уроке 15:58 Classification --- 16:00 Binary classification; 17:39 метрики бинарной классификации, база про метрики классификаций в принципе --- 25:50 Multiclass classification --- 28:45 Multilable classification --- 31:53 Time-series classification 33:10 Regression --- 33:17 Classic regression --- 36:18 Ordinal regression --- 38:02 Time-series regression --- 38:17 Survival analysis 41:24 Metric Learning: общие сведения --- 48:13 Matching/Retrieval --- 48:27 Pairwise --- 49:00 Large-scale classification --- 50:40 Matching/Retrieval: метрики и лоссы --- 54:16 Pairwise: метрики и лоссы --- 57:51 Large-scale classification: метрики и лоссы 58:40 RecSys: общие сведения, разделение на классический и ранкинг --- 1:00:50: Classic RecSys --- 1:02:16: Ranking 1:03:16 Decision modeling --- 1:03:41 Look-alika modeling --- 1:05:14 Uplift/Response modeling --- 1:06:16 Causal inference --- 1:08:12 Deman forecast (pricing) 1:09:23 Unsupervised --- 1:09:30 Clasterization --- 1:10:15 Anomaly detection --- 1:10:40 Dimensionality reduction 1:12:00 Резюме всего урока Данный курс по машинному обучению преследует следующие цели: Переосмыслить базовые подходы. Сократить гэп между теорией и практическим опытом. Изучить продвинутые подходы. Структурировать воедино все эти знания. Получить удобную шпаргалку для реальных проектов. Он будет полезен тем, кто уже знает базовые вещи в ML и DL и хочет структурировать знания и погрузиться в более сложные темы.