Курс на Stepik
Обложка курса «Pro ML by REU Data Science Club» на Stepik
Бесплатно

Pro ML by REU Data Science Club 5.000

Открыть на
STEPIK.ORG

Изучите на продвинутом уровне 6 тем машинного обучения на курсе Pro ML от REU Data Science Club. Наш курс включает в себя еженедельные лекции, семинары и много практических заданий с нетривиальными задачами. На нем мы разберем популярные темы на максимально углубленном уровне. Участники научатся оптимизировать ML алгоритмы для специфичных сценариев, работать с временными данными, классифицировать тексты и изображения и много чего еще!

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Pro ML by REU Data Science Club»Учеников на курсе 862
Сертификаты, выданные на курсе «Pro ML by REU Data Science Club»Сертификатов выдано 0
Отзывы о курсе «Pro ML by REU Data Science Club»Отзывов получено 2
Рейтинг курса «Pro ML by REU Data Science Club»Рейтинг курса 5.000
Уроки в курсе «Pro ML by REU Data Science Club»Количество уроков 62
Тесты в курсе «Pro ML by REU Data Science Club»Количество квизов 92
Время прохождения курса «Pro ML by REU Data Science Club»Время прохождения курса
Обновления курса «Pro ML by REU Data Science Club»Обновления курса
Дата публикации курса «Pro ML by REU Data Science Club»Дата публикации курса
Последнее обновление курса «Pro ML by REU Data Science Club»Последнее обновление
Сложность normal

Содержание курса

Разделы в курсе «Pro ML by REU Data Science Club» 17 разделов Уроки в курсе «Pro ML by REU Data Science Club» 62 урока Тесты в курсе «Pro ML by REU Data Science Club» 92 теста Время прохождения курса «Pro ML by REU Data Science Club» 2 ч. Последнее обновление курса «Pro ML by REU Data Science Club» обн. 24 апреля 2026

Важная информация

2 урока
1. Для кого этот курс?
2. Проверка дз и сертификат

Классический градиентный бустинг

4 урока
1. Функция потерь и базовая идея бустинга
2. Классический алгоритм бустинга
3. Разные функции потерь, Learning rate и бустинг на деревьях
4. Практика: Реализация M‑Regression Boosting

Модификации градиентного бустинга

4 урока
1. XGBoost
2. LightGBM
3. Catboost
4. Практика: Поиск отточных пользователей(Churn prediction)

Бустинг с GPU и нейронные сети

4 урока
1. Новое в бустингах и особенности обучения на GPU
2. Нейронные сети для табличных данных
3. Практика: Самый быстрый бустинг
4. Практика: Устойчивость бустинга к выбросам в данных

Введение во временные ряды

6 уроков
1. Временные ряды и последовательные данные
2. Построение тренда ряда
3. Практика: Реализация 2 видов тренда
4. Основы статистики и проверка гипотез
5. Практика: Проверка значимости коэффициентов тренда
6. Вычисление сезонности и цикличности

Стационарность и моделирование ряда

3 урока
1. Стационарность во временных рядах
2. Практика: Проверка ряда на стационарность
3. Модели временных рядов

Последовательные данные

2 урока
1. Особенности обучения моделей на последовательных данных
2. Практика: Проверка признаков на стабильность во времени

Обучение представлений и эмбеддинги

2 урока
1. Введение в эмбеддинги
2. Введение в обучение представлений

Обработка текста и бучение моделей представлений

6 уроков
1. Базовые понятия обработки текстов
2. Word2Vec
3. FastText, Glove и BERT
4. Практика: Классификация документов
5. Векторные представления из картинок и временных рядов
6. Практика: Классификация фотографий

Оценка качества эмбеддингов и использование в CatBoost

3 урока
1. Оценка качества эмбеддингов
2. Практика: Оценка качества эмбеддингов
3. Эмбеддинги в Catboost

Снижение размерности, классические подходы

5 уроков
1. Введение в обучение без учителя и понижение размерности
2. Линейное снижение размерности
3. Случайные проекции
4. PCA
5. LDA

Снижение размерности, T-SNE и UMAP

3 урока
1. Нелинейное снижение размерности, SNE и T-SNE
2. Нелинейное снижение размерности, UMAP
3. Практика: Визуализация сложных геометрических структур

Кластеризация, введение и базовые алгоритмы

4 урока
1. Задача кластеризации
2. Алгоритм K-means и его модификации
3. Иерархическая кластеризация
4. Плотностная кластеризация

Кластеризация, другие алгоритмы

2 урока
1. Спектральная кластеризация
2. Grid-based и Ансамблевая кластеризация

Кластеризация, оценка результата

4 урока
1. Оценка результата кластеризации
2. Итог и этапы решения задачи кластеризации
3. Практика: Кластеризация ИИ текстов
4. Практика: Кластеризация сегментов на группы

Детекция аномалий, постановка задачи и основные алгоритмы

4 урока
1. Постановка задачи детекции аномалий
2. Статистический анализ для детекции аномалий
3. Подходы основанные на поиске ближайших соседей
4. Model-based approaches

Другие аспекты детекции аномалий

2 урока
1. Поиск аномалий во временных рядах
2. Поиск ошибок в разметке данных