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

ML Road — это понятный маршрут в Machine Learning с нуля. Курс создан для тех, кто хочет зайти в ML спокойно и системно: без хаоса, перегруза и резких прыжков в сложные темы. Мы идём шаг за шагом: от данных, признаков и Pandas — к метрикам, первым моделям и базовому ML-пайплайну. Курс подойдёт новичкам, а также QA, backend-разработчикам, аналитикам и всем, кто хочет перейти 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 141
Сертификаты, выданные на курсе «ML Road: Machine Learning с нуля»Сертификатов выдано 0
Отзывы о курсе «ML Road: Machine Learning с нуля»Отзывов получено 4
Рейтинг курса «ML Road: Machine Learning с нуля»Рейтинг курса 5.000
Уроки в курсе «ML Road: Machine Learning с нуля»Количество уроков 16
Тесты в курсе «ML Road: Machine Learning с нуля»Количество квизов 60
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» 2 раздела Уроки в курсе «ML Road: Machine Learning с нуля» 16 уроков Тесты в курсе «ML Road: Machine Learning с нуля» 60 тестов Время прохождения курса «ML Road: Machine Learning с нуля» 1 ч. Последнее обновление курса «ML Road: Machine Learning с нуля» обн. 9 апреля 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. Метрики и оценка

7 уроков
Закрытый
2.1 Метрики классификации: accuracy, precision, recall, F1 ↗
9
6
-
0
Закрытый
2.2 Confusion Matrix: как видеть ошибки модели ↗
8
4
-
0
Закрытый
2.3 Overfitting и Underfitting ↗
6
4
-
0
Закрытый
2.4 Baseline-модель: зачем она нужна и с чем сравнивать модель ↗
6
4
-
0
Закрытый
2.5 Регрессия vs классификация: что предсказывает модель ↗
5
4
-
0
Закрытый
2.6 Линейная регрессия: как модель предсказывает число ↗
5
3
-
0
Закрытый
2.7 Как оценивать регрессию: MAE, MSE, RMSE ↗
5
3
-
0