Курс на Stepik
Обложка курса «Добрый, добрый ИИ. Часть 1. Машинное обучение» на Stepik
Бесплатно

Добрый, добрый ИИ. Часть 1. Машинное обучение ★ 5.000

Открыть на
STEPIK.ORG

Машинное обучение - это фундамент и неотъемлемая часть более широкого направления под названием "Искусственный интеллект". Сейчас это передний край научно-технического прогресса и одна из самых востребованных сфер деятельности: Data Science и Data Engineering. Этот курс позволит вам сделать первые шаги в этом направлении.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Учеников на курсе 28 236
Сертификаты, выданные на курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Сертификатов выдано 862
Отзывы о курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Отзывов получено 93
Рейтинг курса «Добрый, добрый ИИ. Часть 1. Машинное обучение»Рейтинг курса 5.000
Уроки в курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Количество уроков 49
Тесты в курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Количество квизов 292
Задачи с кодом в курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Количество задач с кодом 109
Время прохождения курса «Добрый, добрый ИИ. Часть 1. Машинное обучение»Время прохождения курса —
Обновления курса «Добрый, добрый ИИ. Часть 1. Машинное обучение»Обновления курса — —
Дата публикации курса «Добрый, добрый ИИ. Часть 1. Машинное обучение»Дата публикации курса — ———
Последнее обновление курса «Добрый, добрый ИИ. Часть 1. Машинное обучение»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение» 7 разделов Уроки в курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение» 49 уроков Тесты в курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение» 292 теста Задачи в курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение» 109 задач Время прохождения курса «Добрый, добрый ИИ. Часть 1. Машинное обучение» 24 ч. Последнее обновление курса «Добрый, добрый ИИ. Часть 1. Машинное обучение» обн. 24 августа 2026

Введение в машинное обучение

8 уроков
1. Начало ↗
2. Что такое машинное обучение. Обучающая выборка ↗
3. Постановка задачи машинного обучения ↗
4. Линейная модель. Понятие переобучения ↗
5. Способы оценивания степени переобучения моделей ↗
6. Уравнение гиперплоскости в задачах бинарной классификации ↗
7. Решение простой задачи бинарной классификации ↗
8. Функции потерь в задачах линейной бинарной классификации ↗

Градиентный алгоритм. L1-, L2-регуляризаторы

6 уроков
1. Градиентный алгоритм (градиентный спуск) ↗
2. Стохастический градиентный спуск SGD и алгоритм SAG ↗
3. Пример использования SGD при бинарной классификации образов ↗
4. Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam ↗
5. L2-регуляризатор. Математическое обоснование и пример работы ↗
6. L1-регуляризатор. Отличия между L1- и L2-регуляризаторами ↗

Вероятностный взгляд на задачи МО

6 уроков
1. Логистическая регрессия. Вероятностный взгляд на МО ↗
2. Вероятностный взгляд на L1 и L2-регуляризаторы ↗
3. Формула Байеса при решении конкретных задач ↗
4. Байесовский вывод. Наивная байесовская классификация ↗
5. Гауссовский байесовский классификатор ↗
6. Линейный дискриминант Фишера ↗

SVM, PCA, показатели качества

10 уроков
1. Введение в метод опорных векторов (SVM) ↗
2. Реализация метода опорных векторов (SVM) ↗
3. Метод опорных векторов (SVM) с нелинейными ядрами ↗
4. Вероятностная оценка качества моделей ↗
5. Показатели precision и recall. F-мера ↗
6. Метрики качества ранжирования. ROC-кривая ↗
7. Метод главных компонент (Principal Component Analysis) ↗
8. Сокращение размерности признакового пространства с помощью PCA ↗
9. Сингулярное разложение и его связь с PCA ↗
10. Многоклассовая классификация. Методы one-vs-all и all-vs-all ↗

Метрические методы

7 уроков
1. Метрические методы классификации. Метод k ближайших соседей ↗
2. Методы парзеновского окна и потенциальных функций ↗
3. Метрические регрессионные методы. Формула Надарая-Ватсона ↗
4. Задачи кластеризации. Постановка задачи ↗
5. Алгоритм кластеризации Ллойда (K-средних, K-means) ↗
6. Алгоритм кластеризации DBSCAN ↗
7. Агломеративная иерархическая кластеризация. Дендрограмма ↗

Решающие деревья

6 уроков
1. Логические методы классификации ↗
2. Критерии качества для построения решающих деревьев ↗
3. Построение решающих деревьев жадным алгоритмом ID3 ↗
4. Усечение (prunning) дерева, обработка пропусков ↗
5. Решающие деревья в задачах регрессии. Алгоритм CART ↗
6. Случайные деревья и случайный лес. Бутстрэп и бэггинг ↗

Бустинг. Нейронные сети

6 уроков
1. Введение в бустинг (boosting). Алгоритм AdaBoost ↗
2. Алгоритм AdaBoost в задачах регрессии ↗
3. Градиентный бустинг и стохастический градиентный бустинг ↗
4. Нейронные сети. Краткое введение в теорию ↗
5. Обучение нейронной сети. Алгоритм back propagation ↗
6. Что дальше? ↗