Содержание пакета (5 курсов)
1. Мастерство ML: выбор, тюнинг и оптимизация моделей
1. Базовые принципы выбора моделей
3 урока
👁
15
👤
6
Закрытый
1.1
Bias-Variance trade-off
↗
5
2
0
Закрытый
1.2
Метрики качества: MAE, RMSE, R², Accuracy, ROC AUC, F1
↗
5
2
0
Закрытый
1.3
Практика: выбор подходящей модели для реального датасета
↗
5
2
0
2. Линейные модели и их тюнинг
4 урока
👁
16
👤
8
Закрытый
2.1
Linear Regression, Logistic Regression - принципы, ограничения
↗
4
3
0
Закрытый
2.2
L1, L2, ElasticNet: зачем регуляризация и как она работает
↗
4
2
0
Закрытый
2.3
Feature scaling, подбор гиперпараметров (alpha, C)
↗
4
2
0
Закрытый
2.4
Практика:настройка регуляризации GridSearchCV и RandomizedSearch
↗
4
1
0
3. Деревья решений и ансамбли
4 урока
👁
11
👤
4
Закрытый
3.1
DecisionTreeClassifier/Regressor — как работает дерево
↗
3
1
0
Закрытый
3.2
Проблемы переобучения и глубины дерева
↗
2
1
0
Закрытый
3.3
Как сделать деревья устойчивыми: методы ансамблирования
↗
4
1
0
Закрытый
3.4
Практика: сравнение ансамблей по качеству и интерпретируемости
↗
2
1
0
4. Градиентный бустинг и его настройка
4 урока
👁
14
👤
6
Закрытый
4.1
Идея бустинга: как слабые модели становятся сильными
↗
4
3
0
Закрытый
4.2
XGBoost, LightGBM, CatBoost — обзор различий
↗
4
1
0
Закрытый
4.3
Подбор гиперпараметров (learning_rate, n_estimators, depth)
↗
3
1
0
Закрытый
4.4
Практика: тюнинг CatBoost и визуализация важности признаков
↗
3
1
0
5. Оптимизация гиперпараметров
4 урока
👁
12
👤
4
Закрытый
5.1
GridSearchCV, RandomizedSearchCV — теория и применение
↗
4
1
0
Закрытый
5.2
Bayesian Optimization (Optuna, Hyperopt)
↗
2
1
0
Закрытый
5.3
Cross-validation и nested CV для честной оценки
↗
3
1
0
Закрытый
5.4
Практика: поиск оптимальной модели под Kaggle-задачу
↗
3
1
0
6. Отбор и инженерия признаков
5 уроков
👁
11
👤
5
Закрытый
6.1
Feature importance, permutation importance
↗
3
1
0
Закрытый
6.2
Recursive Feature Elimination (RFE)
↗
1
1
0
Закрытый
6.3
Взаимодействия признаков (interaction features)
↗
2
1
0
Закрытый
6.4
PCA, t-SNE, UMAP для сокращения размерности
↗
2
1
0
Закрытый
6.5
Практика: улучшение модели за счёт правильных признаков
↗
3
1
0
7. Интерпретация моделей
3 урока
👁
18
👤
7
Закрытый
7.1
SHAP, LIME, Partial Dependence Plots
↗
5
1
0
Закрытый
7.2
Практика: анализ SHAP-графиков
↗
4
1
0
Закрытый
7.3
Обратная связь
↗
9
5
0
2. Нейросети в PyTorch: быстрый старт с нуля 5.0
1. Введение и настройка
2 урока
👁
41
👤
32
Закрытый
1.1
Что такое PyTorch и зачем он нужен
↗
22
17
8м
1
Закрытый
1.2
Установка и настройка (локально и в Google Colab)
↗
19
15
12м
1
2. Основы тензоров и автодифференцирование
2 урока
👁
37
👤
20
Закрытый
2.1
torch.Tensor: создание, типы, shape, операции
↗
21
10
26м
2
Закрытый
2.2
Автоматическое дифференцирование: requires_grad, backward() и др
↗
16
10
45м
1
3. Линейные модели и градиентный спуск
4 урока
👁
53
👤
33
Закрытый
3.1
Ручной градиентный спуск
↗
16
9
12м
1
Закрытый
3.2
Линейная регрессия с PyTorch
↗
14
7
27м
1
Закрытый
3.3
Функции потерь и оптимизаторы (MSELoss, SGD)
↗
12
8
7м
1
Закрытый
3.4
Тренировка и визуализация лосса
↗
11
9
10м
1
4. Нейронные сети
4 урока
👁
44
👤
29
Закрытый
4.1
Что такое нейросети
↗
13
9
6м
1
Закрытый
4.2
Многослойный перцептрон (nn.Sequential, nn.Module)
↗
11
7
6м
1
Закрытый
4.3
Активации: ReLU, Sigmoid, Softmax
↗
11
7
20м
1
Закрытый
4.4
Модель классификации + обучение
↗
9
6
0
5. Работа с данными
3 урока
👁
27
👤
17
Закрытый
5.1
Dataset и DataLoader
↗
10
7
10м
1
Закрытый
5.2
Работа с CSV и изображениями
↗
8
5
0
Закрытый
5.3
Аугментации и трансформации (torchvision.transforms)
↗
9
5
0
6. Компьютерное зрение
3 урока
👁
30
👤
15
Закрытый
6.1
Введение в сверточные сети (CNN)
↗
10
6
6м
1
Закрытый
6.2
Conv2d, MaxPool2d, Flatten
↗
10
4
3м
1
Закрытый
6.3
Классификация на MNIST / CIFAR-10
↗
10
5
2м
1
7. Оценка и сохранение моделей
3 урока
👁
29
👤
17
Закрытый
7.1
model.eval(), torch.no_grad()
↗
10
6
2м
1
Закрытый
7.2
torch.save, torch.load
↗
10
6
19м
1
Закрытый
7.3
Обратная связь
↗
9
5
0
3. Погружение в NLP: от эмбеддингов до трансформеров
1. Введение в NLP
4 урока
👁
83
👤
74
Закрытый
1.1
Что такое NLP и где применяется
↗
23
18
16м
0
Закрытый
1.2
Основные задачи NLP: классификация текста, генерация текста и тд
↗
20
19
14м
0
Закрытый
1.3
Основные библиотеки в NLP: nltk, spacy, transformers и др.
↗
20
18
11м
0
Закрытый
1.4
Основные этапы предобработки текста
↗
20
19
9м
0
2. Предобработка текста
4 урока
👁
72
👤
54
Закрытый
2.1
Токенизация, стемминг и лемматизация (nltk, spacy)
↗
20
15
30м
0
Закрытый
2.2
Удаление стоп-слов и очистка текста
↗
19
14
47м
0
Закрытый
2.3
Векторизация текста: Bag-of-Words
↗
17
12
31м
0
Закрытый
2.4
Векторизация текста: TF-IDF
↗
16
13
86м
0
3. Классификация текста
3 урока
👁
49
👤
33
Закрытый
3.1
Методы ML для текста: Naive Bayes, Logistic Regression, SVM
↗
17
12
15м
0
Закрытый
3.2
Метрики качества: Accuracy, F1-score, ROC AUC
↗
16
12
8м
0
Закрытый
3.3
Практика: классификация отзывов
↗
16
9
12м
0
4. Эмбеддинги и семантика слов
4 урока
👁
51
👤
33
Закрытый
4.1
Введение в эмбеддинги: Word2Vec, GloVe, FastText
↗
16
12
20м
0
Закрытый
4.2
Практика: Word2Vec, GloVe, FastText
↗
14
7
5м
0
Закрытый
4.3
Косинусное сходство и поиск похожих слов
↗
11
7
24м
0
Закрытый
4.4
Практика: эмбеддинги, синонимы и аналогии
↗
10
7
32м
0
5. Современные трансформеры
5 уроков
👁
53
👤
27
Закрытый
5.1
Архитектура Transformer и механизм Attention
↗
13
7
5м
0
Закрытый
5.2
Предобученные модели: BERT, RoBERTa, GPT
↗
12
6
96м
0
Закрытый
5.3
Тонкая настройка (fine-tuning) моделей
↗
11
4
21м
0
Закрытый
5.4
Практика: классификация текста с помощью BERT
↗
8
5
0
Закрытый
5.5
Практика: Named Entity Recognition (NER)
↗
9
5
0
6. Генерация и суммаризация текста
3 урока
👁
24
👤
12
Закрытый
6.1
Методы генерации: greedy search, beam search, sampling
↗
9
4
0
Закрытый
6.2
Автоматическая суммаризация текстов
↗
6
4
0
Закрытый
6.3
Практика: генерация описаний и кратких аннотаций к текстам
↗
9
4
0
7. NLP для русского языка
3 урока
👁
25
👤
12
Закрытый
7.1
Специфика русского языка: морфология, падежи
↗
10
5
3м
0
Закрытый
7.2
Работа с русскими предобученными моделями(RuBERT и Hugging Face)
↗
7
4
0
Закрытый
7.3
Практика: NER для русскоязычных текстов
↗
8
3
0
8. Проектная работа
2 урока
👁
18
👤
17
Закрытый
8.1
Проектная работа
↗
10
10
1м
0
Закрытый
8.2
Обратная связь
↗
8
7
0
4. Практический Machine Learning
Содержание курса пока недоступно
5. Статистика для собеседований 5.0
1. Введение в прикладную статистику
5 уроков
👁
92
👤
73
Закрытый
1.1
Основные понятия: генеральная совокупность, выборка, параметры
↗
22
17
11м
0
Закрытый
1.2
Виды данных: категориальные, числовые, дискретные
↗
17
17
4м
0
Закрытый
1.3
Мера центральной тенденции: среднее, медиана, мода
↗
18
14
10м
0
Закрытый
1.4
Разброс: дисперсия, стандартное отклонение, IQR
↗
17
15
11м
0
Закрытый
1.5
Практика: Вычислить ключевые статистики вручную
↗
18
10
12м
0
2. Распределения вероятностей
7 уроков
👁
99
👤
66
Закрытый
2.1
Что такое распределение и зачем оно нужно
↗
19
13
16м
0
Закрытый
2.2
Нормальное распределение: свойства, Z-оценки
↗
15
11
16м
0
Закрытый
2.3
Биномиальное, Бернулли, Пуассон
↗
15
9
32м
0
Закрытый
2.4
Равномерное, экспоненциальное
↗
11
9
0
Закрытый
2.5
ЦПТ: как объяснить интервьюеру
↗
15
9
8м
0
Закрытый
2.6
Практика: Определить распределение по графику/описанию
↗
12
10
1м
0
Закрытый
2.7
Типичные вопросы с собеседований
↗
12
5
0
3. Оценивание и доверительные интервалы
2 урока
👁
20
👤
10
Закрытый
3.1
Доверительный интервал для среднего, для доли
↗
11
5
10м
0
Закрытый
3.2
Понятие Bootstrap в статистике
↗
9
5
0
4. Гипотезы и статистические тесты
9 уроков
👁
83
👤
37
Закрытый
4.1
Что такое гипотеза: H0 и H1
↗
8
6
0
Закрытый
4.2
Ошибки 1 и 2 рода, уровень значимости, power
↗
8
6
0
Закрытый
4.3
p-value: как правильно объяснять
↗
10
6
8м
0
Закрытый
4.4
t-тест: для чего нужен и как применять
↗
10
5
17м
0
Закрытый
4.5
Z-тест, χ²-тест, F-тест
↗
10
5
49м
0
Закрытый
4.6
A/B-тестирование: полный разбор
↗
12
2
15м
0
Закрытый
4.7
Практика: провести A/B-тест в Python
↗
11
2
1м
0
Закрытый
4.8
Типичные вопросы интервью: часть 1
↗
9
3
0
Закрытый
4.9
Типичные вопросы интервью: часть 2
↗
5
2
0
5. Корреляция и регрессия
5 уроков
👁
24
👤
12
Закрытый
5.1
Корреляция Пирсона, Спирмена, Кендалла
↗
4
1
0
Закрытый
5.2
Ковариация и как её объяснять
↗
5
3
0
Закрытый
5.3
Линейная регрессия: базовые идеи
↗
6
4
0
Закрытый
5.4
Линейная регрессия: мультиколлинеарность, VIF
↗
6
2
0
Закрытый
5.5
Вопросы интервью по корреляции и регрессии
↗
3
2
0
6. Итоговая практика
4 урока
👁
35
👤
12
Закрытый
6.1
Мини-собеседование: 30 типичных вопросов (часть 1)
↗
10
3
0
Закрытый
6.2
Мини-собеседование: 30 типичных вопросов (часть 2)
↗
8
2
0
Закрытый
6.3
Практическое задание: провести A/B тест
↗
8
2
0
Закрытый
6.4
Обратная связь
↗
9
5
0