Содержание курса
13
разделов
99
уроков
172
теста
2 ч.
обн. 29 мая 2026
Базовые элементы ML
9 уроков
1.
Старт
↗
2.
Что такое признаки, target, X и y
↗
3.
Что такое DataFrame в Python и зачем он нужен в ML
↗
4.
Pandas на практике
↗
5.
Типы данных в Pandas: числа, строки, пропуски
↗
6.
Как выбирать признаки для X, а что в X класть нельзя
↗
7.
Числовые и категориальные признаки
↗
8.
Масштабирование признаков: когда нужно, а когда нет
↗
9.
Train / Validation / Test: как честно оценивать модель
↗
База ML и данные
9 уроков
1.
Старт
↗
2.
Что такое машинное обучение простыми словами
↗
3.
Типы обучения: supervised, unsupervised, RL
↗
4.
Модель: input → output
↗
5.
X, y, признаки и target
↗
6.
Как выглядят данные в ML
↗
7.
Что модель реально учит из данных
↗
8.
Статистика для ML: среднее, медиана, дисперсия
↗
9.
Числовые и категориальные признаки
↗
Типы задач в ML
8 уроков
1.
Регрессия vs классификация
↗
2.
Вероятности в классификации
↗
3.
Кластеризация как задача
↗
4.
Рекомендательные системы
↗
5.
Детекция аномалий
↗
6.
Ранжирование в ML
↗
7.
Временные ряды
↗
8.
Карта задач ML
↗
Метрики и оценка
7 уроков
1.
Метрики классификации: accuracy, precision, recall, F1
↗
2.
Confusion Matrix: как видеть ошибки модели
↗
3.
Overfitting и Underfitting
↗
4.
Baseline-модель: зачем она нужна и с чем сравнивать модель
↗
5.
Регрессия vs классификация: что предсказывает модель
↗
6.
Линейная регрессия: как модель предсказывает число
↗
7.
Как оценивать регрессию: MAE, MSE, RMSE
↗
Оценка моделей
7 уроков
1.
Train / Validation / Test
↗
2.
Cross-validation
↗
3.
Baseline-модель
↗
4.
Confusion Matrix
↗
5.
Метрики классификации
↗
6.
Метрики регрессии
↗
7.
Overfitting и Underfitting
↗
Первые модели
10 уроков
1.
Регуляризация L1 и L2
↗
2.
Линейная регрессия
↗
3.
Логистическая регрессия
↗
4.
Support Vector Machine простыми словами
↗
5.
Decision Tree
↗
6.
Random Forest
↗
7.
Gradient Boosting
↗
8.
XGBoost, LightGBM и CatBoost
↗
9.
Простой ML-пайплайн
↗
10.
Как выбирать модель под задачу
↗
Feature Engineering
12 уроков
1.
Что такое Feature Engineering
↗
2.
Масштабирование признаков
↗
3.
Как выбирать признаки для X
↗
4.
Пропуски в данных
↗
5.
Выбросы в данных
↗
6.
Кодирование категориальных признаков
↗
7.
One-Hot Encoding простыми словами
↗
8.
Label Encoding простыми словами
↗
9.
Ordinal Encoding простыми словами
↗
10.
Создание новых признаков
↗
11.
Удаление лишних признаков
↗
12.
Data Leakage: опасная ошибка в ML
↗
Диагностика и улучшение моделей
8 уроков
1.
Почему модель ошибается
↗
2.
Bias и Variance
↗
3.
Imbalanced Classes
↗
4.
Что делать с несбалансированными классами
↗
5.
Гиперпараметры модели
↗
6.
Grid Search и Random Search
↗
7.
Error Analysis
↗
8.
SHAP и интерпретируемость
↗
Обучение без учителя
8 уроков
1.
Обучение без учителя
↗
2.
K-Means
↗
3.
DBSCAN
↗
4.
Снижение размерности
↗
5.
PCA простыми словами
↗
6.
t-SNE и UMAP
↗
7.
Поиск аномалий
↗
8.
Isolation Forest
↗
Рекомендательные системы
7 уроков
1.
Коллаборативная фильтрация
↗
2.
Контентная фильтрация
↗
3.
Explicit vs Implicit Feedback
↗
4.
Гибридные рекомендательные системы
↗
5.
Холодный старт
↗
6.
Как оценивать качество рекомендаций
↗
7.
Как построить рекомендательную систему с нуля
↗
ML в производстве
12 уроков
1.
Как выглядит ML-проект
↗
2.
От идеи до модели
↗
3.
От данных до предсказания
↗
4.
Training vs Inference
↗
5.
Почему модель в проде ≠ модель на обучении
↗
6.
Что такое сохранённая модель
↗
7.
Что такое модель в API
↗
8.
Мониторинг модели
↗
9.
Почему модель деградирует
↗
10.
Как тестировать ML-системы
↗
11.
p-value и статистическая значимость
↗
12.
A/B тестирование в ML
↗
Ранжирование
4 урока
1.
Как работает поисковая выдача
↗
2.
Как ранжируется лента в соцсетях
↗
3.
Как ранжируются товары на маркетплейсе
↗
4.
Как оценивать качество ранжирования
↗
Deep Learning, LLM и AI
14 уроков
1.
AI, ML, Deep Learning и Generative AI: кто внутри кого
↗
2.
Что такое нейронная сеть
↗
3.
Как нейросеть учится на ошибках
↗
4.
Что такое Deep Learning
↗
5.
Архитектуры нейросетей: CNN, RNN и Transformer
↗
6.
Что такое Embeddings
↗
7.
Что такое Transformer
↗
8.
Что такое LLM
↗
9.
Prompt Engineering
↗
10.
Fine-tuning моделей
↗
11.
Что такое RAG
↗
12.
Что такое AI Agent
↗
13.
Этика и ответственность в AI
↗
14.
Что учить дальше: Python, SQL, ML-практика
↗