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

1. Метрики эффективности моделей машинного обучения

4 урока
Закрытый
1.1 О метриках в машинном обучении ↗
16
1
3м 58с
0
Закрытый
1.2 Начало работы с метриками ↗
1
1
4м 21с
0
Закрытый
1.3 Выполняем разделение данных ↗
1
1
7м 43с
0
Закрытый
1.4 Оцениваем метрики качества классификации ↗
1
1
3м 47с
0

2. Недообучение и переобучение

5 уроков
Закрытый
2.1 Что такое недообучение и переобучение ↗
0
0
2м 14с
0
Закрытый
2.2 Выполняем диагностику моделей классификации ↗
0
0
9м 42с
0
Закрытый
2.3 Выполняем диагностику моделей регрессии ↗
0
0
3м 53с
0
Закрытый
2.4 Выполняем диагностику на реальных данных ↗
0
0
4м 36с
0
Закрытый
2.5 Выполняем диагностику недообучения ↗
0
0
2м 24с
0

3. Оптимизация гиперпараметров

2 урока
Закрытый
3.1 Сравнение точности моделей ↗
0
0
4м 21с
0
Закрытый
3.2 Генерация модели Elasticnet ↗
0
0
6м 33с
0

4. Инжиниринг численных признаков

6 уроков
Закрытый
4.1 Введение в инжиниринг численных признаков ↗
1
0
4м 9с
0
Закрытый
4.2 Выполняем бинаризацию атрибутов ↗
1
1
1м 27с
0
Закрытый
4.3 Выполняем группировку численных значений ↗
1
1
4м 37с
0
Закрытый
4.4 Удаление экстремальных значений ↗
1
1
1м 29с
0
Закрытый
4.5 Заполнение пропусков ↗
1
1
2м 21с
0
Закрытый
4.6 Округление атрибутов ↗
1
1
1м 41с
0

5. Инжиниринг категориальных признаков

5 уроков
Закрытый
5.1 Введение ↗
1
0
2м 29с
0
Закрытый
5.2 Визуализируем распред-е признаков и связь с целевой переменной ↗
0
0
2м 9с
0
Закрытый
5.3 Выполняем укрупнение категорий ↗
0
0
2м 11с
0
Закрытый
5.4 Выполняем добавление агрегированной информации ↗
0
0
2м 8с
0
Закрытый
5.5 Заполняем отсутствующие значения ↗
0
0
1м 1с
0

6. Работа с целевой переменной

6 уроков
Закрытый
6.1 Введение ↗
1
1
2м 12с
0
Закрытый
6.2 Определяем относительную важность признаков ↗
1
1
3м 35с
0
Закрытый
6.3 Реализуем автоматизацию отбора признаков ↗
1
1
1м 53с
0
Закрытый
6.4 Выполняем устранение дисбаланса классов ↗
1
1
4м 13с
0
Закрытый
6.5 Выполняем ресемплинг ↗
1
1
3м 40с
0
Закрытый
6.6 Выполняем дискретизацию целевой переменной ↗
1
1
3м 41с
0

7. Кластеризация

4 урока
Закрытый
7.1 Введение ↗
1
0
2м 24с
0
Закрытый
7.2 Выполняем кластеризацию K-средних ↗
0
0
2м 29с
0
Закрытый
7.3 Выполняем нормализацию признаков ↗
0
0
1м 39с
0
Закрытый
7.4 Выполняем иерархическую кластеризацию ↗
0
0
1м 51с
0

8. Понижение размерности

6 уроков
Закрытый
8.1 Введение ↗
0
0
1м 43с
0
Закрытый
8.2 Проводим PCA на сгенерированных данных ↗
0
0
2м 13с
0
Закрытый
8.3 Проводим PCA на многомерных данных ↗
0
0
1м 59с
0
Закрытый
8.4 Подбираем количество компонент ↗
0
0
1м 7с
0
Закрытый
8.5 Проводим LDA ↗
0
0
1м 0с
0
Закрытый
8.6 Применяем метод t-SNE ↗
0
0
2м 12с
0