Чему вы научитесь
Почему модель может хорошо отвечать на знакомых данных и ошибаться на новых? Чтобы ответить на этот вопрос, в ML Road мы начинаем с того, что подаём модели на вход, какой ответ от неё ждём и как будем проверять результат.
Курс состоит из шести модулей и 31 урока:
- Как работает машинное обучение. Типы обучения, признаки, целевой ответ и простая статистика на примерах из таблиц.
- Какие задачи решает ML. Регрессия и классификация, а также обзор кластеризации, поиска аномалий, рекомендаций, ранжирования и временных рядов.
- Как подготовить данные. Выбор признаков, пропуски, выбросы, масштабирование и работа с категориями.
- Как устроены первые модели. Линейная и логистическая регрессия, дерево решений, случайный лес и бустинг.
- Как проверить качество. Разбиение данных, сравнение с простым решением, метрики, переобучение и разбор ошибок.
- Как устроен ML-проект. Путь от постановки задачи до применения модели и наблюдения за её результатами.
В финале вы разберёте, как оценить вероятность того, что покупатель не заберёт предзаказ, выбрать заказы для напоминаний при ограниченном числе контактов и проверить, принесло ли решение пользу.
О курсе
Для кого этот курс
Начальные требования
Специальная подготовка не нужна. Курс можно пройти без знания Python, установки программ и опыта работы с ML. Достаточно уметь читать простые таблицы и считать проценты. Термины и расчёты разбираются по ходу уроков.
Преподаватели курса
Как проходит обучение
Вы учитесь на Stepik в своём темпе. Уроки лучше проходить по порядку: задачи и данные из первых модулей пригодятся при разборе моделей и метрик.
В уроках вы читаете объяснения, разбираете примеры и проверяете себя на интерактивных заданиях. Например, по таблице выбираете признаки, по матрице ошибок сравниваете результаты, а в итоговом кейсе связываете прогноз модели с решением о том, кому отправить напоминание. Все задания выполняются без написания кода.