Data Scientist: от данных до деплоя моделейПостановка ML-задачи и работа с даннымиОт бизнес-проблемы к ML-постановке

От бизнес-проблемы к ML-постановке

Уроки курсаОт бизнес-проблемы к ML-постановке

Формализация метрик и trade-offs

0/8

Инвентаризация источников данных

0/9

Настройка reproducibility и версионирование данных

0/6

Exploratory Data Analysis: распределения и аномалии

0/7

Поиск data leakage и временных утечек

0/5

Валидация качества данных и построение чек-листа

0/4

Дата-сайентист включил в признаки поле «дата закрытия сделки» для предсказания того, закроется ли сделка. Какой антипаттерн он допустил?

Использовал признак, который появляется только после наступления целевого события (data leakage)

Выбрал неправильную ML-метрику для оценки качества модели

Не учёл ограничения GDPR на использование временных меток в персональных данных

Применил регрессию вместо классификации для бинарного таргета

Не согласовал бизнес-метрику с ML-метрикой перед началом моделирования

4 / 5