Курс на Stepik
Обложка курса «ML School by REU Data Science Club» на Stepik
Бесплатно

ML School by REU Data Science Club ★ 5.000

Открыть на
STEPIK.ORG

Изучите основы машинного обучения за 3 месяца в школе ML от REU Data Science Club. Наш курс смешанного формата будет включать в себя еженедельные лекции, онлайн-семинары и практические домашние задания. На нем мы разберем темы, начиная от программирования на Python и заканчивая градиентным бустингом. Участники научатся работать с данными, строить ML модели и оптимизировать их. В конце курса будет финальный проект, который будет состоять из реальных задач!

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML School by REU Data Science Club»Учеников на курсе 5 406
Сертификаты, выданные на курсе «ML School by REU Data Science Club»Сертификатов выдано 0
Отзывы о курсе «ML School by REU Data Science Club»Отзывов получено 5
Рейтинг курса «ML School by REU Data Science Club»Рейтинг курса 5.000
Уроки в курсе «ML School by REU Data Science Club»Количество уроков 24
Задачи с кодом в курсе «ML School by REU Data Science Club»Количество задач с кодом 18
Время прохождения курса «ML School by REU Data Science Club»Время прохождения курса —
Обновления курса «ML School by REU Data Science Club»Обновления курса — —
Дата публикации курса «ML School by REU Data Science Club»Дата публикации курса — ———
Последнее обновление курса «ML School by REU Data Science Club»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «ML School by REU Data Science Club» 9 разделов Уроки в курсе «ML School by REU Data Science Club» 24 урока Задачи в курсе «ML School by REU Data Science Club» 18 задач Время прохождения курса «ML School by REU Data Science Club» 5 ч. Последнее обновление курса «ML School by REU Data Science Club» обн. 1 год назад

1. Введение в ML

3 урока
Закрытый
1.1 Лекция: Введение в Python ↗
4 138
3 986
0м 15с
56
Закрытый
1.2 Cеминар: Введение в Машинное Обучение ↗
2 351
1 061
2м 26с
53
Закрытый
1.3 Домашнее задание: задачи на Python ↗
1 753
467
44м 12с
28

2. Обработка данных в Python

3 урока
Закрытый
2.1 Лекция: Exploratory Data Analysis ↗
1 126
590
2м 7с
32
Закрытый
2.2 Семинар: Введение в pandas, numpy, matplotlib и seaborn ↗
853
537
1м 40с
25
Закрытый
2.3 Домашнее задание: Работаем с данными в Python ↗
882
174
175м 26с
15

3. Линейные модели 1 часть

3 урока
Закрытый
3.1 Лекция: Линейные модели и KNN ↗
660
387
3м 55с
29
Закрытый
3.2 Семинар: Data Preprocessing ↗
505
281
4м 10с
16
Закрытый
3.3 Домашнее задание: Обрабатываем реальные данные ↗
583
70
1м 17с
12

4. Линейные модели 2 часть

3 урока
Закрытый
4.1 Лекция: Логистическая регрессия и SVM ↗
408
207
2м 8с
10
Закрытый
4.2 Семинар: Линейные модели в Sklearn и Statmodels ↗
310
176
3м 28с
8
Закрытый
4.3 Домашнее задание: Реализуем свою логистическую регрсессию ↗
366
41
1м 45с
2

5. Метрики качества

2 урока
Закрытый
5.1 Лекция: Метрики качества, bias inference problem ↗
275
146
2м 46с
12
Закрытый
5.2 Домашнее задание: Создаем метрики в Python ↗
273
67
42м 31с
7

6. Деревья решений

3 урока
Закрытый
6.1 Лекция: Деревья и лес решений ↗
256
131
1м 13с
9
Закрытый
6.2 Семинар: Настраиваемые параметры в Sklerarn и Gridsearch ↗
182
105
5м 37с
10
Закрытый
6.3 Домашнее задание: Создание дерева решений на numpy ↗
243
32
0м 24с
5

7. Ансамблевые модели

3 урока
Закрытый
7.1 Лекция: Gradient Boosting ↗
246
133
1м 8с
9
Закрытый
7.2 Семинар: Обзор самых популярных библиотек для Gradient Boosting ↗
198
119
0м 5с
5
Закрытый
7.3 Домашнее задание: Пишем свой Adaboost ↗
239
25
1м 48с
5

8. Кластеризация

3 урока
Закрытый
8.1 Лекция: От KMeans до DBSCAN ↗
221
221
0м 1с
6
Закрытый
8.2 Семинар: Обзор самых популярных кластеризаций в Sklearn ↗
174
94
0м 6с
3
Закрытый
8.3 Домашнее задание: Предсказание цен на машины ↗
268
23
2м 7с
7

9. Итоговый проект

1 урок
Закрытый
9.1 Общая информация ↗
437
437
1м 5с
10