Курс на Stepik
Обложка курса «Python для машинного обучения. Продвинутый » на Stepik
2 500 ₽

Python для машинного обучения. Продвинутый 0.000

Открыть на
STEPIK.ORG

Это вторая часть моего курса по машинному обучению, посвященная его продвинутым методикам, а также охватывает и подходы машинного обучения без учителя

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Python для машинного обучения. Продвинутый »Учеников на курсе 23
Сертификаты, выданные на курсе «Python для машинного обучения. Продвинутый »Сертификатов выдано 0
Отзывы о курсе «Python для машинного обучения. Продвинутый »Отзывов получено 0
Рейтинг курса «Python для машинного обучения. Продвинутый »Рейтинг курса 0.000
Уроки в курсе «Python для машинного обучения. Продвинутый »Количество уроков 38
Время прохождения курса «Python для машинного обучения. Продвинутый »Время прохождения курса
Стоимость курса «Python для машинного обучения. Продвинутый »Стоимость курса 2 500 ₽
Обновления курса «Python для машинного обучения. Продвинутый »Обновления курса
Дата публикации курса «Python для машинного обучения. Продвинутый »Дата публикации курса
Последнее обновление курса «Python для машинного обучения. Продвинутый »Последнее обновление
Сложность normal

Содержание курса

Разделы в курсе «Python для машинного обучения. Продвинутый » 8 разделов Уроки в курсе «Python для машинного обучения. Продвинутый » 38 уроков Время прохождения курса «Python для машинного обучения. Продвинутый » 2 ч. Последнее обновление курса «Python для машинного обучения. Продвинутый » обн. 20 мая 2026

Метрики эффективности моделей машинного обучения

4 урока
1. О метриках в машинном обучении
2. Начало работы с метриками
3. Выполняем разделение данных
4. Оцениваем метрики качества классификации

Недообучение и переобучение

5 уроков
1. Что такое недообучение и переобучение
2. Выполняем диагностику моделей классификации
3. Выполняем диагностику моделей регрессии
4. Выполняем диагностику на реальных данных
5. Выполняем диагностику недообучения

Оптимизация гиперпараметров

2 урока
1. Сравнение точности моделей
2. Генерация модели Elasticnet

Инжиниринг численных признаков

6 уроков
1. Введение в инжиниринг численных признаков
2. Выполняем бинаризацию атрибутов
3. Выполняем группировку численных значений
4. Удаление экстремальных значений
5. Заполнение пропусков
6. Округление атрибутов

Инжиниринг категориальных признаков

5 уроков
1. Введение
2. Визуализируем распред-е признаков и связь с целевой переменной
3. Выполняем укрупнение категорий
4. Выполняем добавление агрегированной информации
5. Заполняем отсутствующие значения

Работа с целевой переменной

6 уроков
1. Введение
2. Определяем относительную важность признаков
3. Реализуем автоматизацию отбора признаков
4. Выполняем устранение дисбаланса классов
5. Выполняем ресемплинг
6. Выполняем дискретизацию целевой переменной

Кластеризация

4 урока
1. Введение
2. Выполняем кластеризацию K-средних
3. Выполняем нормализацию признаков
4. Выполняем иерархическую кластеризацию

Понижение размерности

6 уроков
1. Введение
2. Проводим PCA на сгенерированных данных
3. Проводим PCA на многомерных данных
4. Подбираем количество компонент
5. Проводим LDA
6. Применяем метод t-SNE