Лабораторные работы к курсу Машинного обучения

----------------------------------------English text below----------------------------------------------
Дистанционный курс МФТИ

В данном репозитории представлены и описаны 3 решения лабораторных работ курса

Лабораторная работа 1 (задача регрессии на линейных моделях)

Оценка 5/5

Задача: предсказание цены алмаза с помощью линейных моделей (условие лектора)
Используемая метрика: MAE
Итоговое значение метрики в private kaggle competition: 748.819 при бейслайне 830 Использованные модели: Линейные модели из sklearn

Лабораторная работа 2 (Задача бинарной классификации без ограничений на модели)

Оценка 3/5

Задача: Предсказание матча игры dota2 по полной статистике данного матча Используемая метрика: ROC-AUC Итоговое значение метрики в private kaggle competition: 0.803 при бейслайне в 0.768 Использованные модели: Градиентные бустинги из sklearn и xgboost, случайные деревья, линейные модели

Лабораторная работа 3 (Задача регрессии ключевых точек лица)

Оценка 5/5

Задача: Предсказание координат ключевых точек лиц кошек(глаза, нос, уши) Используемая метрика: CMAE Итоговое значение метрики в private kaggle competition: 28.896 при бейслайне в 50.822 Использованные модели: Сверточные нейронные сети на PyTorch

---

Laboratory Works for the Machine Learning Course

----------------------------------------Russian text above----------------------------------------------
Remote Course by MIPT

This repository presents and describes three solutions for the laboratory works of the course.

Laboratory Work 1 (Regression Task on Linear Models)

Grade: 5/5

Task: Predicting the price of a diamond using linear models (as per lecturer's requirement)
Metric Used: MAE
Final Metric Score in Private Kaggle Competition: 748.819 (baseline: 830)
Models Used: Linear models from sklearn

Laboratory Work 2 (Binary Classification Task Without Model Restrictions)

Grade: 3/5

Task: Predicting the outcome of a Dota 2 match based on full match statistics
Metric Used: ROC-AUC
Final Metric Score in Private Kaggle Competition: 0.803 (baseline: 0.768)
Models Used: Gradient boosting models from sklearn and XGBoost, random forests, linear models

Laboratory Work 3 (Regression Task for Facial Key Points)

Grade: 5/5

Task: Predicting the coordinates of key facial points of cats (eyes, nose, ears)
Metric Used: CMAE
Final Metric Score in Private Kaggle Competition: 28.896 (baseline: 50.822)
Models Used: Convolutional neural networks using PyTorch