Курс на Stepik
Обложка курса «ML Road: Machine Learning с нуля» на Stepik
Бесплатно

ML Road: Machine Learning с нуля ★ 5.000

Открыть на
STEPIK.ORG

Хочешь понять, как работает Machine Learning и AI, но не готов сразу нырять в код и математику? ML Road объясняет ML с нуля простым языком: данные, признаки, метрики, как работают первые модели и ML-пайплайн, а также базовые идеи AI и LLM — на понятных примерах и аналогиях. Без формул-стен и без кода. К концу у тебя сложится целостная картина, как всё устроено внутри. Подойдёт новичкам, QA, backend-разработчикам, аналитикам и всем, кто хочет войти в ML / Data Science.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML Road: Machine Learning с нуля»Учеников на курсе 178
Сертификаты, выданные на курсе «ML Road: Machine Learning с нуля»Сертификатов выдано 0
Отзывы о курсе «ML Road: Machine Learning с нуля»Отзывов получено 5
Рейтинг курса «ML Road: Machine Learning с нуля»Рейтинг курса 5.000
Уроки в курсе «ML Road: Machine Learning с нуля»Количество уроков 99
Тесты в курсе «ML Road: Machine Learning с нуля»Количество квизов 172
Время прохождения курса «ML Road: Machine Learning с нуля»Время прохождения курса —
Обновления курса «ML Road: Machine Learning с нуля»Обновления курса — —
Дата публикации курса «ML Road: Machine Learning с нуля»Дата публикации курса — ———
Последнее обновление курса «ML Road: Machine Learning с нуля»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «ML Road: Machine Learning с нуля» 13 разделов Уроки в курсе «ML Road: Machine Learning с нуля» 99 уроков Тесты в курсе «ML Road: Machine Learning с нуля» 172 теста Время прохождения курса «ML Road: Machine Learning с нуля» 2 ч. Последнее обновление курса «ML Road: Machine Learning с нуля» обн. 29 мая 2026

1. Базовые элементы ML

9 уроков
Закрытый
1.1 Старт ↗
44
44
0м 4с
0
Открытый
1.2 Что такое признаки, target, X и y ↗
26
17
6м 12с
0
Закрытый
1.3 Что такое DataFrame в Python и зачем он нужен в ML ↗
17
13
6м 46с
0
Закрытый
1.4 Pandas на практике ↗
16
11
4м 25с
0
Закрытый
1.5 Типы данных в Pandas: числа, строки, пропуски ↗
13
9
6м 6с
0
Закрытый
1.6 Как выбирать признаки для X, а что в X класть нельзя ↗
12
7
5м 10с
0
Закрытый
1.7 Числовые и категориальные признаки ↗
10
7
5м 49с
0
Закрытый
1.8 Масштабирование признаков: когда нужно, а когда нет ↗
10
6
4м 0с
0
Закрытый
1.9 Train / Validation / Test: как честно оценивать модель ↗
10
6
2м 44с
0

2. База ML и данные

9 уроков
Закрытый
2.1 Старт ↗
13
13
1м 9с
0
Открытый
2.2 Что такое машинное обучение простыми словами ↗
8
5
-
0
Открытый
2.3 Типы обучения: supervised, unsupervised, RL ↗
7
4
-
0
Открытый
2.4 Модель: input → output ↗
4
3
-
0
Открытый
2.5 X, y, признаки и target ↗
3
2
-
0
Открытый
2.6 Как выглядят данные в ML ↗
3
2
-
0
Открытый
2.7 Что модель реально учит из данных ↗
4
1
-
0
Открытый
2.8 Статистика для ML: среднее, медиана, дисперсия ↗
2
1
-
0
Открытый
2.9 Числовые и категориальные признаки ↗
2
1
-
0

3. Типы задач в ML

8 уроков
Открытый
3.1 Регрессия vs классификация ↗
3
1
-
0
Открытый
3.2 Вероятности в классификации ↗
1
1
-
0
Открытый
3.3 Кластеризация как задача ↗
1
1
-
0
Открытый
3.4 Рекомендательные системы ↗
1
1
-
0
Открытый
3.5 Детекция аномалий ↗
2
1
-
0
Открытый
3.6 Ранжирование в ML ↗
1
1
-
0
Открытый
3.7 Временные ряды ↗
2
1
-
0
Открытый
3.8 Карта задач ML ↗
1
1
-
0

4. Метрики и оценка

7 уроков
Закрытый
4.1 Метрики классификации: accuracy, precision, recall, F1 ↗
9
6
-
0
Закрытый
4.2 Confusion Matrix: как видеть ошибки модели ↗
8
4
-
0
Закрытый
4.3 Overfitting и Underfitting ↗
6
4
-
0
Закрытый
4.4 Baseline-модель: зачем она нужна и с чем сравнивать модель ↗
6
4
-
0
Закрытый
4.5 Регрессия vs классификация: что предсказывает модель ↗
5
4
-
0
Закрытый
4.6 Линейная регрессия: как модель предсказывает число ↗
5
3
-
0
Закрытый
4.7 Как оценивать регрессию: MAE, MSE, RMSE ↗
5
3
-
0

5. Оценка моделей

7 уроков
Открытый
5.1 Train / Validation / Test ↗
1
1
-
0
Открытый
5.2 Cross-validation ↗
2
1
-
0
Открытый
5.3 Baseline-модель ↗
1
1
-
0
Открытый
5.4 Confusion Matrix ↗
1
1
-
0
Открытый
5.5 Метрики классификации ↗
1
1
-
0
Открытый
5.6 Метрики регрессии ↗
2
1
-
0
Открытый
5.7 Overfitting и Underfitting ↗
1
1
-
0

6. Первые модели

10 уроков
Открытый
6.1 Регуляризация L1 и L2 ↗
2
1
-
0
Открытый
6.2 Линейная регрессия ↗
2
1
-
0
Открытый
6.3 Логистическая регрессия ↗
2
1
-
0
Открытый
6.4 Support Vector Machine простыми словами ↗
2
1
-
0
Открытый
6.5 Decision Tree ↗
1
0
-
0
Открытый
6.6 Random Forest ↗
0
0
-
0
Открытый
6.7 Gradient Boosting ↗
0
0
-
0
Открытый
6.8 XGBoost, LightGBM и CatBoost ↗
0
0
-
0
Открытый
6.9 Простой ML-пайплайн ↗
1
1
-
0
Открытый
6.10 Как выбирать модель под задачу ↗
1
0
-
0

7. Feature Engineering

12 уроков
Открытый
7.1 Что такое Feature Engineering ↗
1
0
-
0
Открытый
7.2 Масштабирование признаков ↗
1
0
-
0
Открытый
7.3 Как выбирать признаки для X ↗
0
0
-
0
Открытый
7.4 Пропуски в данных ↗
0
0
-
0
Открытый
7.5 Выбросы в данных ↗
0
0
-
0
Открытый
7.6 Кодирование категориальных признаков ↗
0
0
-
0
Открытый
7.7 One-Hot Encoding простыми словами ↗
1
0
-
0
Открытый
7.8 Label Encoding простыми словами ↗
0
0
-
0
Открытый
7.9 Ordinal Encoding простыми словами ↗
0
0
-
0
Открытый
7.10 Создание новых признаков ↗
0
0
-
0
Открытый
7.11 Удаление лишних признаков ↗
0
0
-
0
Открытый
7.12 Data Leakage: опасная ошибка в ML ↗
0
0
-
0

8. Диагностика и улучшение моделей

8 уроков
Открытый
8.1 Почему модель ошибается ↗
0
0
-
0
Открытый
8.2 Bias и Variance ↗
0
0
-
0
Открытый
8.3 Imbalanced Classes ↗
1
0
-
0
Открытый
8.4 Что делать с несбалансированными классами ↗
0
0
-
0
Открытый
8.5 Гиперпараметры модели ↗
0
0
-
0
Открытый
8.6 Grid Search и Random Search ↗
0
0
-
0
Открытый
8.7 Error Analysis ↗
0
0
-
0
Открытый
8.8 SHAP и интерпретируемость ↗
0
0
-
0

9. Обучение без учителя

8 уроков
Открытый
9.1 Обучение без учителя ↗
0
0
-
0
Открытый
9.2 K-Means ↗
1
0
-
0
Открытый
9.3 DBSCAN ↗
0
0
-
0
Открытый
9.4 Снижение размерности ↗
0
0
-
0
Открытый
9.5 PCA простыми словами ↗
0
0
-
0
Открытый
9.6 t-SNE и UMAP ↗
0
0
-
0
Открытый
9.7 Поиск аномалий ↗
0
0
-
0
Открытый
9.8 Isolation Forest ↗
0
0
-
0

10. Рекомендательные системы

7 уроков
Открытый
10.1 Коллаборативная фильтрация ↗
0
0
-
0
Открытый
10.2 Контентная фильтрация ↗
1
0
-
0
Открытый
10.3 Explicit vs Implicit Feedback ↗
0
0
-
0
Открытый
10.4 Гибридные рекомендательные системы ↗
0
0
-
0
Открытый
10.5 Холодный старт ↗
0
0
-
0
Открытый
10.6 Как оценивать качество рекомендаций ↗
0
0
-
0
Открытый
10.7 Как построить рекомендательную систему с нуля ↗
0
0
-
0

11. ML в производстве

12 уроков
Открытый
11.1 Как выглядит ML-проект ↗
0
0
-
0
Открытый
11.2 От идеи до модели ↗
0
0
-
0
Открытый
11.3 От данных до предсказания ↗
0
0
-
0
Открытый
11.4 Training vs Inference ↗
0
0
-
0
Открытый
11.5 Почему модель в проде ≠ модель на обучении ↗
0
0
-
0
Открытый
11.6 Что такое сохранённая модель ↗
0
0
-
0
Открытый
11.7 Что такое модель в API ↗
0
0
-
0
Открытый
11.8 Мониторинг модели ↗
0
0
-
0
Открытый
11.9 Почему модель деградирует ↗
0
0
-
0
Открытый
11.10 Как тестировать ML-системы ↗
1
0
-
0
Открытый
11.11 p-value и статистическая значимость ↗
0
0
-
0
Открытый
11.12 A/B тестирование в ML ↗
0
0
-
0

12. Ранжирование

4 урока
Открытый
12.1 Как работает поисковая выдача ↗
0
0
-
0
Открытый
12.2 Как ранжируется лента в соцсетях ↗
0
0
-
0
Открытый
12.3 Как ранжируются товары на маркетплейсе ↗
0
0
-
0
Открытый
12.4 Как оценивать качество ранжирования ↗
0
0
-
0

13. Deep Learning, LLM и AI

14 уроков
Открытый
13.1 AI, ML, Deep Learning и Generative AI: кто внутри кого ↗
1
0
-
0
Открытый
13.2 Что такое нейронная сеть ↗
0
0
-
0
Открытый
13.3 Как нейросеть учится на ошибках ↗
1
0
-
0
Открытый
13.4 Что такое Deep Learning ↗
0
0
-
0
Открытый
13.5 Архитектуры нейросетей: CNN, RNN и Transformer ↗
1
0
-
0
Открытый
13.6 Что такое Embeddings ↗
1
0
-
0
Открытый
13.7 Что такое Transformer ↗
1
0
-
0
Открытый
13.8 Что такое LLM ↗
1
0
-
0
Открытый
13.9 Prompt Engineering ↗
1
0
-
0
Открытый
13.10 Fine-tuning моделей ↗
1
1
-
0
Открытый
13.11 Что такое RAG ↗
1
1
-
0
Открытый
13.12 Что такое AI Agent ↗
1
1
-
0
Открытый
13.13 Этика и ответственность в AI ↗
1
1
-
0
Открытый
13.14 Что учить дальше: Python, SQL, ML-практика ↗
1
1
-
0