Machine Learning on BigData

Materials for "Machine Learning on Big Data" course

Syllabus

Introduction

Tools and Systems for Big Data Storage and Processing

List of topics

1. Hadoop and MapReduce

Keywords: Google FS (master, chunkservers), Hadoop, HDFS (NameNode, DataNode), MapReduce (master, workers)

2. Apache Spark

Keywords: Pig, Hive, Spark (RDDs, transformations, actions, lineage graph, fault-tolerance, persist, driver, workers, stages, dependencies, tasks, partition)

3. Spark SQL

Keywords: Shark, DataFrames (DSL, cache, UDFs), Catalyst (tree, rule, catalyst in spark-sql)

Large Scale Machine Learning

List of topics

1. Distributed ML Introduction

Keywords: Stochastic Gradient Descent, Data/Model Parallelism, General Purpose Distributed Computing(MapReduce, MR SGD, SparkNet, MLlib), Natively Distributed ML Systems (Parameter Server, DistBelief, TensorFlow, AllReduce, Horovod)

2. Categorical Features in Large Scale ML

Keywords: One-hot encoding, Cross features, Factorization Machines (FM, FFM), Neural Networks (Deep Crossing, Deep & Cross, DeepFM)

3. Gradient Boosting Decision Tree

Keywords: Categorical features (Naive Bayes, Mean Target Encoding), PLANET, XGBoost, CatBoost, SHAP values

4. Hyperparameters Optimization

Keywords: Grid Search, Random Search (low effective dimensionality), Bayesian Optimization (Gaussian Process, surrogate, acquisition), Predictive Termination, Hyperband (successive halving), Multi-task Bayesian Optimization

5. DNN Compression and Acceleration

Keywords: Quantization, Knowledge Distillation, Pruning (one-shot, iterative, Lottery Ticket Hypothesis), Deep Compression, DeepGBM

6. Recommender Systems

Keywords: Simple RS (Item/User-based, Content based), Ranking Metrics, Matrix Factorization (SVD, PMF, ALS, iALS, Incremental ALS, Neural CF), Large Scale RS (MF with Distributed SGD, PytorchBigGraph, GraphVite), Ranking losses (BPR, WARP)

7. Nearest Neighbors Search

Keywords: Exact-kNN, Approximate NN (eps-NN), (Hierarchical) Navigatable Small World, LSH (random projections, minhash), Learning to Hash (Deep Supervised Hashing), Annoy, FAISS, ANN-benchmarks and evaluation

8. Latent Dirichlet Allocation

9. Dimensionality Reduction

10. Online Learning

11. Algorithms on Graphs

Online Controlled Experiments

List of topics

1. How to conduct AB Tests (Experiment Design, Execution, Analysis)

Keywords: Offline Evaluation (hypothesis testing, 5x2 cv test, testing over multiple datasets), Online Evaluation

2. Results Analysis ((Multiple) Hypothesis testing, Sensitivity, Power)

3. Heterogeneous Treatment Effect

Практики

Для выполнения практик нужно сделать fork (GitHub Help: Forks) данного репозитория.

Порядок выполнения и отправки задания на проверку

Задания находятся в <topic>/notebooks/<practice_name>.ipynb.

1. Убедитесь, что ishugaepov добавлен в список коллабораторов вашего форка (Settings -> Manage access -> Invite a collaborator)
2. Убедитесь, что ваш fork репозиторий содержит все актуальные изменения данного репозитория (GitHub Help: Syncing a fork)
3. Выполните задание в отдельной ветке, например, practice_1 (GitHub Help: Branches).
4. Сделайте Pull Request (<current_practice_branch> -> master), добавьте ishugaepov в Assignees (GitHub Help: PRs).
5. После проверки PR, ревьювер либо оставляет комментарии с замечаниями либо мерджит текущую ветку в мастер вашего репозитория.

Deadlines

• PR с выполненным заданием должен быть отправлен на проверку не позднее чем через 8 дней после того как было выдано задание.
• По прошествии дедлайна, в рамках PR можно только исправлять замечания, но не отправлять на проверку новые задачи.

Контесты

1. Kaggle: CTR Prediction
2. TBD

Общая информация

1. Для решения контестов можно использовать любые методы/приемы/фрэймворки, которые обсуждались на лекциях.
2. После окончания контеста нужно будет написать отчет об итоговом решении.

Ответы на организационные вопросы

FAQ

Q: Сколько домашних заданий? Будет ли экзамен? С каким весом берется то и другое?

Оценка за курс выставляется по результатам выполнения практических заданий.
При выставлении оценки все задания учитываются с одинаковым весом.
Очередное практическое задание будет появлятся после лекции.

Q: Что обязательное, а за что можно получить доп. баллы?

Контесты обязательны и нужны для более объективной оценки некоторых практических заданий.
Позиция в лидерборде + отчет об итоговом решении позволяют получить дополнительные баллы, после завершения контеста.

Docker

В рамках курса мы будем использовать Docker container с Hadoop, для того чтобы эмулировать кластер и запускать различные примеры.

См. Docker Tutorial

Datasets

• MovieLens
• Criteo Ads