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 886
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 ↗