Чему вы научитесь
- Проверять себя на базовых вопросах по Machine Learning
- Находить слабые места в базе: модели, метрики, деревья, ансамбли, кластеризация
- Понимать, какие темы обычно стоят за тестовыми вопросами по ML
- Разбирать ошибки и превращать их в список тем для повторения
- Тренироваться объяснять технические ответы словами, а не просто выбирать вариант
О курсе
Для кого этот курс
Начальные требования
Базовое понимание Python
Общее представление о машинном обучении
Знание базовых задач ML: классификация, регрессия, кластеризация
Желательно понимать, что такое train/test, метрики качества и переобучение
Глубокая математика не требуется, но базовые идеи вероятности, функций потерь и метрик будут полезны
Преподаватели курса
58
Как проходит обучение
Курс устроен как тренажёр: вы проходите тестовые вопросы по темам и смотрите, где возникают ошибки.
Вопросы сгруппированы по блокам: модели, метрики, деревья и ансамбли, кластеризация, временные ряды, Python и практические ML-ловушки.
После прохождения полезно выписать темы, где были ошибки, повторить их и пройти тест ещё раз через несколько дней.
Сейчас это первая версия тренажёра. Основная цель — быстро проверить себя на вопросах из отборов. В конце курса уже есть короткие шпаргалки по основным темам: метрики, линейные модели, деревья и ансамбли. Со временем буду добавлять новые тесты, шпаргалки и разборы.
Что вы получите
- 50+ вопросов по ML, метрикам, деревьям, ансамблям, временным рядам и Python
- Тренировку в формате тестов, похожих на отборы и технические собеседования
- Возможность быстро найти слабые места перед интервью
- Структурированную навигацию по темам, которые стоит повторить
- Короткие шпаргалки по основным темам: метрики, линейные модели, деревья и ансамбли
- Ссылки на разборы собеседований, roadmap и полезные посты по DS/ML
- Обновления курса: новые тесты, шпаргалки и разборы будут добавляться постепенно
- Бесплатный доступ к тренажёру