Сколько стоит курс «ML на Python: практика, проекты и подготовка к работе»?

Стоимость курса составляет 2490.00 рублей

Сколько времени занимает прохождение курса «ML на Python: практика, проекты и подготовка к работе»?

Прохождение курса «ML на Python: практика, проекты и подготовка к работе» занимает примерно 1 часов.

Какой рейтинг у курса «ML на Python: практика, проекты и подготовка к работе»?

Курс имеет рейтинг 0.0 из 5 на основе 0 отзывов. На курсе обучается 18 учеников.

Где можно пройти курс «ML на Python: практика, проекты и подготовка к работе»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/282699.

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

Name: ML на Python: практика, проекты и подготовка к работе
Price: 2490.00 RUB
Availability: InStock
Rating: 0 (0 reviews)

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
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	18
Сертификатов выдано	0
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	170
Количество квизов	915
Количество задач с кодом	402
Время прохождения курса	1 ч.	—
Стоимость курса	2 490 ₽	—
Обновления курса	—	—
Дата публикации курса	2 месяца назад	—	—	—	—
Последнее обновление	10 сентября 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание курса

Разделы в курсе «ML на Python: практика, проекты и подготовка к работе»

20 разделов Уроки в курсе «ML на Python: практика, проекты и подготовка к работе»

170 уроков Тесты в курсе «ML на Python: практика, проекты и подготовка к работе»

915 тестов Задачи в курсе «ML на Python: практика, проекты и подготовка к работе»

402 задачи Время прохождения курса «ML на Python: практика, проекты и подготовка к работе»

1 ч.

обн. 10 сентября 2026

Введение и среда

7 уроков

1. Путь в ML ↗

2. Что такое GitHub и зачем он ML-специалисту ↗

3. Что такое Kaggle и как его использовать ↗

4. Где писать код: Colab, Jupyter, VSCode ↗

5. Минимальная инженерная база ↗

6. Закрепление раздела ↗

7. Книги которые стоит прочитать ↗

Python для ML (повторение)

5 уроков

1. Повторение Python перед ML ↗

2. Списки, словари, циклы для данных ↗

3. Функции и чистый код для ML ↗

4. Ошибки и отладка ↗

5. Закрепление Python для ML ↗

NumPy

6 уроков

1. NumPy полный урок ↗

2. Индексация, срезы и маски ↗

3. Операции над массивами ↗

4. Агрегации ↗

5. Многомерные массивы ↗

6. Закрепление NumPy ↗

Pandas

7 уроков

1. Pandas полный урок ↗

2. Чтение CSV ↗

3. Выбор столбцов и фильтрация ↗

4. Пропуски и типы данных ↗

5. GroupBy ↗

6. Merge таблиц ↗

7. Закрепление Pandas ↗

SQL для ML и аналитики

13 уроков

1. Что такое SQL и зачем он ML-специалисту ↗

2. Фильтрация данных: WHERE, AND, OR, IN, BETWEEN ↗

3. Сортировка, уникальные значения и пропуски ↗

4. Агрегации: COUNT, SUM, AVG, MIN, MAX ↗

5. GROUP BY и HAVING: агрегаты по клиентам ↗

6. CASE WHEN и обработка категорий ↗

7. JOIN: как объединять таблицы ↗

8. Подзапросы и CTE: как строить сложные запросы ↗

9. Работа с датами и временем в SQL ↗

10. Оконные функции: SQL для истории клиента ↗

11. SQL Feature Engineering для ML ↗

12. Leakage в SQL и ошибки подготовки данных ↗

13. Закрепление: мини-проект SQL для ML ↗

Визуализация данных

6 уроков

1. Зачем визуализировать данные ↗

2. Линейные графики ↗

3. Гистограммы ↗

4. Scatterplot ↗

5. Выбросы ↗

6. Закрепление визуализации ↗

Статистика для ML

6 уроков

1. Зачем ML статистика ↗

2. Среднее и медиана ↗

3. Разброс и стандартное отклонение ↗

4. Корреляция ↗

5. Почему статистика обманывает ↗

6. Закрепление статистики ↗

Классический ML

6 уроков

1. Признаки и target ↗

2. Train/test split ↗

3. Первая регрессия ↗

4. Первая классификация ↗

5. Scikit-learn: preprocessing, Pipeline и защита от утечки ↗

6. Закрепление ML ↗

Метрики качества моделей

6 уроков

1. Зачем нужны метрики ↗

2. MAE MSE RMSE ↗

3. Accuracy ↗

4. Precision Recall F1 ↗

5. ROC-AUC и PR-AUC ↗

6. Закрепление метрик ↗

Математика для машинного обучения

13 уроков

1. Математический язык машинного обучения ↗

2. Функции и графики ↗

3. Векторы ↗

4. Расстояния и масштаб признаков ↗

5. Скалярное произведение ↗

6. Матрицы ↗

7. Предсказание и функция потерь ↗

8. Производная ↗

9. Градиентный спуск ↗

10. Вероятность ↗

11. Условная вероятность и Байес ↗

12. Случайные величины и распределения ↗

13. Экзамен "Математический язык машинного обучения" ↗

Переобучение моделей

6 уроков

1. Что такое переобучение ↗

2. Train vs Test ↗

3. Почему модель запоминает ↗

4. Регуляризация ↗

5. Как бороться с переобучением ↗

6. Закрепление ↗

Feature Engineering

7 уроков

1. Что такое Feature Engineering ↗

2. Признаки из чисел ↗

3. Признаки из категорий ↗

4. Признаки из дат ↗

5. Агрегаты ↗

6. Ошибки Feature Engineering ↗

7. Закрепление ↗

Baseline модели

6 уроков

1. Что такое baseline ↗

2. Как строить baseline ↗

3. Первый basseline ↗

4. Логирование экспериментов ↗

5. Почему baseline важен ↗

6. Закрепление ↗

CatBoost

11 уроков

1. Зачем нужен CatBoost ↗

2. CatBoostClassifier ↗

3. CatBoostRegressor ↗

4. Категориальные признаки ↗

5. Важность признаков ↗

6. Early stopping ↗

7. Параметры CatBoost ↗

8. CatBoost в антифроде: редкий класс и цена ошибки ↗

9. CatBoost и Logistic Regression: честное сравнение моделей ↗

10. Закрепление ↗

11. Мини-проект CatBoost ↗

ML-хакатоны

11 уроков

1. Что такое ML-хакатон ↗

2. Первые часы хакатона ↗

3. Чтение условий ↗

4. Public vs Private leaderboard ↗

5. Submit ↗

6. Ошибки новичков ↗

7. LLM на хакатонах ↗

8. Командная работа ↗

9. Лог экспериментов ↗

10. README решения ↗

11. Чеклист перед submit: как не потерять результат в последние часы ↗

Практикумы

6 уроков

1. Практикум clients ↗

2. Практикум apartments ↗

3. Практикум antifraud ↗

4. Практикум Titanic ↗

5. Мини-хакатон ↗

6. Риск инсульта: полный ML-pipeline ↗

Финальный проект

16 уроков

1. Постановка задачи ↗

2. EDA ↗

3. Очистка данных ↗

4. Создание признаков ↗

5. Baseline ↗

6. Метрики ↗

7. Улучшение модели ↗

8. CatBoost ↗

9. Интерпретация ↗

10. Подготовка отчёта ↗

11. GitHub ↗

12. Мини-защита ↗

13. Шаблон README ↗

14. Шаблон отчёта ↗

15. Критерии оценки ↗

16. Чеклист публикации ↗

Экзамены Экзамен

5 уроков

1. Экзамен Python и NumPy ↗

2. Экзамен Pandas и статистика ↗

3. Экзамен SQL ↗

4. Экзамен ML и метрики ↗

5. Экзамен Feature Engineering и CatBoost ↗

После курса

6 уроков

1. Что делать после курса ↗

2. Roadmap на 6 месяцев ↗

3. GitHub портфолио ↗

4. NLP CV MLOps ↗

5. Подготовка к Junior ML ↗

6. Финальное напутствие ↗

Шпаргалки

6 уроков

1. NumPy шпаргалка ↗

2. Pandas шпаргалка ↗

3. Метрики шпаргалка ↗

4. Feature Engineering шпаргалка ↗

5. CatBoost шпаргалка ↗

6. Чеклист хакатона ↗