Домашние задания по Машинному Обучению

Репозиторий содержит мои домашние задания по курсу "Машинное Обучение". Здесь представлены практические работы, охватывающие основные темы и алгоритмы ML, от базовых операций с данными до построения моделей машинного обучения.

---

Структура репозитория

Репозиторий организован по хронологическому принципу: домашние задания выложены в порядке их выполнения.

Файл	Тема	Краткое описание
hw01_numpy_chernova.ipynb	Основы NumPy	Работа с базовыми операциями и линейной алгеброй в NumPy.
hw02_pandas_Alla.ipynb	Анализ данных с Pandas	Обработка и анализ табличных данных с использованием библиотеки Pandas.
hw03_EDA_Chernova.ipynb	Разведочный анализ данных (EDA)	Визуализация и исследование данных для выявления закономерностей.
hw04_knn_linreg_Chernova.ipynb	KNN и Линейная регрессия	Реализация и применение алгоритмов K-ближайших соседей и линейной регрессии.
homework_01_Chernova_fc_nn_songs.ipynb	Нейронные сети для классификации песен	Построение полносвязной нейронной сети для задачи классификации музыкальных треков.
homework_02_triplet_funtion.ipynb	Triplet Loss и обучение представлений	Реализация сети с Triplet Loss для обучения embeddings и метрического обучения.
homework_03_object_detection.ipynb	Детекция объектов	Создание архитектуры для детекции объектов на изображениях и работа с готовыми решениями.

---

Подробное описание заданий

hw01_numpy_chernova.ipynb

Тема: Основы NumPy.

• Цель: Освоить работу с библиотекой NumPy — фундаментом для научных вычислений в Python.
• Основные задачи:
  • Создание и манипуляция многомерными массивами (ndarray).
  • Выполнение математических операций над массивами.
  • Работа с линейной алгеброй (скалярные произведения, матричные операции).
  • Индексация, срезы и базовая булева маскировка.

hw02_pandas_Alla.ipynb

Тема: Анализ данных с Pandas.

• Цель: Научиться эффективно работать со структурированными данными (DataFrame, Series).
• Основные задачи:
  • Загрузка данных из CSV-файлов.
  • Предварительная обработка данных: обработка пропусков, изменение типов.
  • Фильтрация, группировка и агрегация данных (groupby, pivot_table).
  • Слияние и объединение DataFrame.

hw03_EDA_Chernova.ipynb

Тема: Разведочный анализ данных (EDA).

• Цель: Исследовать набор данных, выявить основные закономерности, аномалии и проверить гипотезы перед построением моделей.
• Основные задачи:
  • Анализ распределений признаков.
  • Визуализация с использованием matplotlib и seaborn (гистограммы, боксплоты, scatter plot).
  • Анализ корреляций между переменными.
  • Работа с выбросами.

hw04_knn_linreg_Chernova.ipynb

Тема: Классификация и регрессия.

• Цель: Познакомиться с базовыми алгоритмами машинного обучения.
• Основные задачи:
  • K-Nearest Neighbors (KNN): Реализация алгоритма для задачи классификации, подбор гиперпараметра k.
  • Линейная регрессия: Реализация метода наименьших квадратов для задачи прогнозирования, оценка качества модели (MSE, R²).
  • Разделение данных на обучающую и тестовую выборки.

homework_01_Chernova_fc_nn_songs.ipynb

Тема: Нейронные сети для классификации песен.

• Цель: Построить и обучить полносвязную нейронную сеть (Fully Connected Neural Network) для предсказания музыкальных жанров или характеристик треков.
• Основные задачи:
  • Предобработка аудио-признаков (например, из датасета FMA или Spotify).
  • Построение архитектуры сети с использованием TensorFlow/Keras или PyTorch.
  • Компиляция модели: выбор функции потерь, оптимизатора и метрик.
  • Обучение модели, анализ кривых обучения и валидации.
  • Оценка качества модели на тестовой выборке.

homework_02_triplet_funtion.ipynb

Тема: Triplet Loss и обучение представлений.

• Цель: Реализовать и обучить модель с использованием Triplet Loss для создания качественных векторных представлений (embeddings).
• Основные задачи:
  • Реализация функции Triplet Loss.
  • Создание сети для обучения embeddings.
  • Формирование триплетов (anchor, positive, negative).
  • Обучение модели метрическому обучению.
  • Оценка качества embeddings с помощью метрик (AUC-ROC и др.).
  • Результаты: Достигнут AUC-ROC = 0.8307 после 3 эпох обучения.

homework_03_object_detection.ipynb

Тема: Детекция объектов.

• Цель: Разработать архитектуру для детекции объектов на изображениях и использовать готовые решения.
• Основные задачи:
  • Работа с датасетами PascalVOC формата (квиддич или игральные карты).
  • Предобработка XML-аннотаций и изображений.
  • Реализация детектора объектов (самописная архитектура).
  • Использование готовых детекторов (YOLO, Faster R-CNN и др.).
  • Оценка качества детекции с помощью метрик (mAP, IoU).
  • Анализ результатов и сравнение подходов.

---

Технологии и библиотеки

• Язык: Python 3.8+
• Основные библиотеки: NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn
• Фреймворки для нейросетей: TensorFlow / Keras или PyTorch (в зависимости от задания)
• Дополнительные библиотеки: OpenCV, Albumentations, FiftyOne (для детекции объектов)
• Среда выполнения: Jupyter Notebook

---