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 26 026
Сертификаты, выданные на курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Сертификатов выдано 676
Отзывы о курсе «Добрый, добрый ИИ. Часть 1. Машинное обучение»Отзывов получено 84
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» 26 ч. Последнее обновление курса «Добрый, добрый ИИ. Часть 1. Машинное обучение» обн. 27 мая 2026

1. Введение в машинное обучение

8 уроков
Закрытый
1.1 Начало ↗
21 195
7 221
15м 24с
695
Закрытый
1.2 Что такое машинное обучение. Обучающая выборка ↗
10 481
5 687
17м 26с
478
Закрытый
1.3 Постановка задачи машинного обучения ↗
7 654
4 011
21м 27с
313
Закрытый
1.4 Линейная модель. Понятие переобучения ↗
6 376
2 335
61м 47с
237
Закрытый
1.5 Способы оценивания степени переобучения моделей ↗
4 065
2 525
14м 8с
155
Закрытый
1.6 Уравнение гиперплоскости в задачах бинарной классификации ↗
3 832
1 793
72м 43с
162
Закрытый
1.7 Решение простой задачи бинарной классификации ↗
3 430
1 617
57м 5с
144
Закрытый
1.8 Функции потерь в задачах линейной бинарной классификации ↗
2 994
1 469
57м 1с
116

2. Градиентный алгоритм. L1-, L2-регуляризаторы

6 уроков
Закрытый
2.1 Градиентный алгоритм (градиентный спуск) ↗
3 296
1 400
64м 53с
116
Закрытый
2.2 Стохастический градиентный спуск SGD и алгоритм SAG ↗
2 358
1 136
92м 4с
111
Закрытый
2.3 Пример использования SGD при бинарной классификации образов ↗
1 977
1 043
66м 20с
71
Закрытый
2.4 Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam ↗
1 828
882
90м 16с
85
Закрытый
2.5 L2-регуляризатор. Математическое обоснование и пример работы ↗
1 837
872
72м 46с
77
Закрытый
2.6 L1-регуляризатор. Отличия между L1- и L2-регуляризаторами ↗
1 583
820
55м 40с
78

3. Вероятностный взгляд на задачи МО

6 уроков
Закрытый
3.1 Логистическая регрессия. Вероятностный взгляд на МО ↗
1 819
910
32м 9с
77
Закрытый
3.2 Вероятностный взгляд на L1 и L2-регуляризаторы ↗
1 374
843
19м 23с
61
Закрытый
3.3 Формула Байеса при решении конкретных задач ↗
1 386
663
48м 18с
57
Закрытый
3.4 Байесовский вывод. Наивная байесовская классификация ↗
1 272
648
43м 9с
53
Закрытый
3.5 Гауссовский байесовский классификатор ↗
1 136
586
34м 24с
45
Закрытый
3.6 Линейный дискриминант Фишера ↗
1 033
549
24м 34с
34

4. SVM, PCA, показатели качества

10 уроков
Закрытый
4.1 Введение в метод опорных векторов (SVM) ↗
1 393
599
44м 29с
59
Закрытый
4.2 Реализация метода опорных векторов (SVM) ↗
1 115
596
45м 21с
50
Закрытый
4.3 Метод опорных векторов (SVM) с нелинейными ядрами ↗
1 009
588
25м 6с
43
Закрытый
4.4 Вероятностная оценка качества моделей ↗
957
557
37м 25с
38
Закрытый
4.5 Показатели precision и recall. F-мера ↗
969
521
49м 35с
52
Закрытый
4.6 Метрики качества ранжирования. ROC-кривая ↗
917
533
39м 32с
44
Закрытый
4.7 Метод главных компонент (Principal Component Analysis) ↗
946
535
21м 16с
42
Закрытый
4.8 Сокращение размерности признакового пространства с помощью PCA ↗
863
513
35м 55с
41
Закрытый
4.9 Сингулярное разложение и его связь с PCA ↗
860
476
36м 20с
45
Закрытый
4.10 Многоклассовая классификация. Методы one-vs-all и all-vs-all ↗
844
518
22м 7с
35

5. Метрические методы

7 уроков
Закрытый
5.1 Метрические методы классификации. Метод k ближайших соседей ↗
1 036
504
29м 47с
33
Закрытый
5.2 Методы парзеновского окна и потенциальных функций ↗
807
479
23м 45с
34
Закрытый
5.3 Метрические регрессионные методы. Формула Надарая-Ватсона ↗
772
451
31м 51с
44
Закрытый
5.4 Задачи кластеризации. Постановка задачи ↗
818
504
15м 37с
37
Закрытый
5.5 Алгоритм кластеризации Ллойда (K-средних, K-means) ↗
808
462
26м 30с
38
Закрытый
5.6 Алгоритм кластеризации DBSCAN ↗
786
445
25м 43с
38
Закрытый
5.7 Агломеративная иерархическая кластеризация. Дендрограмма ↗
720
412
24м 6с
28

6. Решающие деревья

6 уроков
Закрытый
6.1 Логические методы классификации ↗
1 149
460
33м 2с
48
Закрытый
6.2 Критерии качества для построения решающих деревьев ↗
903
457
46м 36с
44
Закрытый
6.3 Построение решающих деревьев жадным алгоритмом ID3 ↗
878
430
23м 42с
38
Закрытый
6.4 Усечение (prunning) дерева, обработка пропусков ↗
868
429
26м 7с
35
Закрытый
6.5 Решающие деревья в задачах регрессии. Алгоритм CART ↗
832
414
30м 44с
45
Закрытый
6.6 Случайные деревья и случайный лес. Бутстрэп и бэггинг ↗
919
426
33м 55с
48

7. Бустинг. Нейронные сети

6 уроков
Закрытый
7.1 Введение в бустинг (boosting). Алгоритм AdaBoost ↗
1 345
395
35м 19с
43
Закрытый
7.2 Алгоритм AdaBoost в задачах регрессии ↗
918
387
24м 13с
32
Закрытый
7.3 Градиентный бустинг и стохастический градиентный бустинг ↗
938
392
16м 59с
29
Закрытый
7.4 Нейронные сети. Краткое введение в теорию ↗
1 085
386
25м 45с
31
Закрытый
7.5 Обучение нейронной сети. Алгоритм back propagation ↗
1 329
363
23м 41с
40
Закрытый
7.6 Что дальше? ↗
1 375
1 375
0м 11с
27