Курс на Stepik
Обложка курса «ML на Python: практика, проекты и подготовка к работе» на Stepik
2 490 ₽

ML на Python: практика, проекты и подготовка к работе ★ 0.000

Открыть на
STEPIK.ORG

Практический курс по классическому машинному обучению для людей с базовым Python. Вы начнёте с работы с данными и постепенно дойдёте до самостоятельного решения ML-задач. В программе есть NumPy, Pandas, SQL, статистика, модели и CatBoost. После объяснения темы сразу идут вопросы на понимание и программная практика, а в конце нужно собрать и оформить собственный проект.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ML на Python: практика, проекты и подготовка к работе»Учеников на курсе 18
Сертификаты, выданные на курсе «ML на Python: практика, проекты и подготовка к работе»Сертификатов выдано 0
Отзывы о курсе «ML на Python: практика, проекты и подготовка к работе»Отзывов получено 0
Рейтинг курса «ML на Python: практика, проекты и подготовка к работе»Рейтинг курса 0.000
Уроки в курсе «ML на Python: практика, проекты и подготовка к работе»Количество уроков 170
Тесты в курсе «ML на Python: практика, проекты и подготовка к работе»Количество квизов 915
Задачи с кодом в курсе «ML на Python: практика, проекты и подготовка к работе»Количество задач с кодом 402
Время прохождения курса «ML на Python: практика, проекты и подготовка к работе»Время прохождения курса —
Стоимость курса «ML на Python: практика, проекты и подготовка к работе»Стоимость курса 2 490 ₽ —
Обновления курса «ML на Python: практика, проекты и подготовка к работе»Обновления курса — —
Дата публикации курса «ML на Python: практика, проекты и подготовка к работе»Дата публикации курса — ———
Последнее обновление курса «ML на Python: практика, проекты и подготовка к работе»Последнее обновление — ———
Сложность easy — ———

Чему вы научитесь

  • Использовать NumPy, Pandas и SQL при подготовке данных.
  • Читать CSV, проверять типы, пропуски, аномалии и структуру таблиц.
  • Проводить EDA и строить графики для анализа данных.
  • Разбираться в базовых понятиях статистики и математики для ML.
  • Готовить числовые, категориальные и временные признаки.
  • Делить данные на обучающую и тестовую части и замечать утечки.
  • Собирать baseline-модели и обучать модели в scikit-learn и CatBoost.
  • Выбирать метрики для классификации и регрессии.
  • Проверять переобучение, сравнивать эксперименты и интерпретировать результат.
  • Оформлять учебные ML-проекты для GitHub.
  • Организовывать работу над ML-задачей в условиях хакатона и использовать соревнования для практики и портфолио.

О курсе

Практический курс по классическому машинному обучению для людей с базовым Python. Вы начнёте с работы с данными и постепенно дойдёте до самостоятельного решения ML-задач. В программе есть NumPy, Pandas, SQL, статистика, модели и CatBoost. После объяснения темы сразу идут вопросы на понимание и программная практика, а в конце нужно собрать и оформить собственный проект.

Для кого этот курс

Материал рассчитан на тех, кто только начинает изучать машинное обучение, но уже знаком с базовым Python. Курс также будет полезен Python-разработчикам, техническим студентам и аналитикам, которые переходят к классическому ML. Отдельная часть программы посвящена проектам и хакатонам, поэтому курс подойдёт и тем, кому нужна практика для первого портфолио.

Начальные требования

Нужен базовый синтаксис Python, условия, циклы, функции, списки и словари. Важно уметь самостоятельно запускать код локально или в Google Colab. Предыдущий опыт в машинном обучении не требуется. Углублённая математика до старта тоже не требуется, но по ходу курса нужно будет разбираться в формулах, статистике и графиках. Рекомендуемый темп составляет 10–12 часов в неделю.

Преподаватели курса

Аватар Дмитрий Анпилов
Дмитрий Анпилов
ML-разработчик и автор образовательных курсов. Выпускник НИУ «БелГУ», обучался в School 21 по направлению Machine Learni...
3 курса 32
→

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

Нагрузка

10-12 часов в неделю

Расскажите о курсе друзьям