1.
Введение в ML
↗
2.
Чтение и первичная чистка данных. Знакомство с Pandas
↗
3.
Категориальные/числовые признаки, агрегации
↗
4.
Визуализация без лишнего (matplotlib)
↗
5.
Мини-бейзлайны и метрики
↗
6.
Разбиение данных и утечки
↗
7.
Decision Trees: Деревья решений
↗
8.
Метрики классификации
↗
9.
Дисбаланс классов и пороги
↗
10.
Linear Regression (линейная регрессия): основы
↗
11.
Метрики регрессии
↗
12.
Feature engineering
↗
13.
Pipeline и ColumnTransformer
↗
14.
Подбор гиперпараметров (Grid/Random)
↗
15.
Logistic Regression
↗
16.
Random Forest
↗
17.
CatBoost
↗
18.
Интерпретация ансамблей (SHAP)
↗
19.
PCA: Кластеризация
↗
20.
K-means и силуэт
↗
21.
DBSCAN, t-SNE, UMAP
↗
22.
Кластеризация как продуктовый инструмент
↗
23.
Итоговый проект
↗