Курс на Stepik
Обложка курса «Python для машинного обучения. Продвинутый » на Stepik
200 ₽

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 28
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 200 ₽ —
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. 24 сентября 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 ↗