Чему вы научитесь
- Работать с NumPy и Pandas
- Очищать, исследовать и визуализировать данные
- Проводить разведочный анализ данных — EDA
- Применять основы математики и статистики в ML
- Находить ошибки и проблемы в датасетах
- Подготавливать признаки для машинного обучения
- Разделять данные на обучающую и тестовую выборки
- Строить baseline-модели
- Обучать модели с помощью scikit-learn и CatBoost
- Выбирать метрики классификации и регрессии
- Диагностировать переобучение и недообучение
- Обнаруживать утечки данных
- Сравнивать модели и анализировать результаты
- Организовывать и фиксировать ML-эксперименты
- Решать ML-задачу от постановки до итоговой оценки
- Оформлять и публиковать ML-проекты на GitHub
- Работать над ML-задачами в условиях хакатона
- Превращать участие в хакатонах в опыт и портфолио
О курсе
Для кого этот курс
Начальные требования
Курс рассчитан на начинающих в Machine Learning, но не на абсолютных новичков в программировании.
Для прохождения курса необходимо:
• знать базовый синтаксис Python;
• понимать переменные, условия, циклы и функции;
• уметь работать со списками и словарями;
• уметь самостоятельно запускать Python-код;
• иметь возможность работать локально или в Google Colab;
• быть готовым разбираться в формулах, графиках и статистике;
• выделять на обучение примерно 10–12 часов в неделю.
Предварительный опыт в Machine Learning не требуется.
Углублённое знание высшей математики также не требуется: необходимые понятия из линейной алгебры, статистики, теории вероятностей и математического анализа объясняются внутри курса.
Преподаватели курса
9
Как проходит обучение
Курс проходит в самостоятельном темпе и не привязан к жёстким дедлайнам.
Обучение построено последовательно: каждая новая тема опирается на уже изученный материал и постепенно приближает вас к самостоятельному решению полноценной ML-задачи.
В курс входят:
• подробные теоретические уроки;
• примеры кода на Python;
• тесты на понимание материала;
• задачи на анализ кода и поиск ошибок;
• численные и математические задачи;
• практические задания по программированию;
• работа с реальными датасетами;
• мини-проекты;
• шпаргалки и чек-листы;
• отдельный блок о ML-хакатонах;
• итоговый самостоятельный проект;
• экзамены по основным разделам курса.
После теоретических тем вам потребуется применять материал на практике: исследовать данные, выбирать признаки, строить baseline, обучать модели, сравнивать метрики и объяснять полученный результат.
Рекомендуемая нагрузка — 10–12 часов в неделю. Фактическое время зависит от подготовки и глубины проработки практических заданий.
Что вы получите
- Системное понимание полного цикла работы над ML-задачей
- Практический опыт работы с реальными датасетами
- Навыки использования NumPy, Pandas и scikit-learn
- Понимание метрик, переобучения и утечек данных
- Опыт работы с CatBoost
- Практику построения и улучшения baseline-моделей
- Опыт самостоятельного проведения ML-экспериментов
- Мини-проекты для развития портфолио
- Итоговый самостоятельный ML-проект
- Понимание устройства и правил ML-хакатонов
- Стратегию подготовки решения в ограниченное время
- Навыки презентации технического проекта
- Понимание того, как оформить хакатон для резюме и GitHub
- Шпаргалки и чек-листы по основным темам
- Базу для дальнейшего изучения ML, Computer Vision и NLP