Признаки

Основа с Junior

Построение, кодирование, масштабирование и отбор признаков.

Критерии освоения

Кодирует категориальные признаки и масштабирует числовые там, где это нужно модели

Практика. Подготовить признаки для табличного датасета в Pipeline scikit-learn с кодированием и масштабированием.

Практика. Улучшить базовую модель на соревновательном датасете только за счёт признаков и задокументировать вклад каждого.

Организует переиспользование признаков между моделями (feature store) и контроль их совпадения при обучении и в работе

Практика. Спроектировать хранилище признаков для трёх моделей с пакетным и онлайн-расчётом и проверкой расхождений.

Как вы строите признаки для модели? Middle
Признаки часто важнее выбора модели. Источники: знание предметной области (доля возвратов клиента, время с последней покупки), агрегаты по истории (среднее, число событий за…
Зачем масштабировать признаки и как кодировать категориальные признаки? Junior
Масштабирование (StandardScaler, MinMaxScaler) нужно моделям, чувствительным к расстояниям и величине весов: линейным с регуляризацией, k-means, kNN, нейросетям. Деревьям оно не…
Что такое утечка данных (data leakage) в машинном обучении? Middle
Утечка — в обучении используется информация, недоступная в момент реального прогноза. Метрики на валидации получаются завышенными, а в продакшене модель проваливается. Виды…

Закрытая бета

На живом собеседовании sotto слышит вопрос интервьюера и показывает короткий ответ и план. Оставьте контакт — пришлём доступ и промокод.