Машинное обучение — работа в Санкт-Петербурге

Для себя Реализация лабораторной работы Алгоритм Реализуйте метод ближайших соседей: -Алгоритм должен работать с окнами фиксированного и нефиксированного размера. -Алгоритм должен работать с различными ядрами. Не менее 4 штук. Обязательно должно быть Равномерное и Гауссово ядро. Желательно, чтобы было Гауссово и общее ядро вида (1 - |u|a)b. -Алгоритм должен работать с различными метриками. Не менее 3 штук. Обязательно должно быть Косинусное расстояние. Желательно, чтобы было Косинусное расстояние и расстояние Минковского Lp. -Алгоритм должен работать с априорными весами. -Разрешается использовать готовую реализацию алгоритма поиска ближайших объектов. -Выберете аналогичную библиотечную реализацию метода ближайших соседей. Набор данных -Выберите любой набор данных для задачи классификации. Желательно использовать набор данных с курса Анализа данных. -Преобразуйте его в числовой вид и нормализуйте. -Разбейте его на тренировочную и тестовую часть. -Выберите целевую функцию ошибки или качества. Гиперпараметры Найдите лучшие гиперпараметры: -Гиперпараметры требуется настроить для реализованного и библиотечного алгоритма. -Для поиска желательно использовать библиотеку optuna. -Тестовое множество не должно использоваться для валидации при поиске. -Выведите лучшие значения гиперпараметров для обоих алгоритмов. -Для обоих алгоритмов постройте график зависимости целевой функции ошибки/качества на тестовом и тренировочном множестве в зависимости от числа соседей или ширины окна (смотря какая функция оказалась лучше). Остальные гиперпараметры должны быть зафиксированы. Поиск аномалий -Реализуйте алгоритм поиска аномалий LOWESS. -Взвесьте объекты из тренировочного множества. -Вычислите результат валидации реализованного алгоритма на тестовом множестве до и после взвешивания. -Повторите предыдущий пункт с библиотечным алгоритмом. Если он не поддерживает априорные веса, используйте семплирование.