Курс на Stepik
Обложка курса «Линейные модели и их презентация» на Stepik
1 900 ₽

Линейные модели и их презентация ★ 5.000

Открыть на
STEPIK.ORG

Классические линейные модели машинного обучения появились давно, но никогда не выйдут из моды и активно используются во многих проектах. На курсе вы узнаете о том, как устроены линейные модели, научитесь применять их на практике, интерпретировать и оборачивать в веб-сервисы.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Линейные модели и их презентация»Учеников на курсе 173
Сертификаты, выданные на курсе «Линейные модели и их презентация»Сертификатов выдано 10
Отзывы о курсе «Линейные модели и их презентация»Отзывов получено 1
Рейтинг курса «Линейные модели и их презентация»Рейтинг курса 5.000
Уроки в курсе «Линейные модели и их презентация»Количество уроков 29
Тесты в курсе «Линейные модели и их презентация»Количество квизов 62
Задачи с кодом в курсе «Линейные модели и их презентация»Количество задач с кодом 10
Время прохождения курса «Линейные модели и их презентация»Время прохождения курса —
Стоимость курса «Линейные модели и их презентация»Стоимость курса 1 900 ₽ —
Обновления курса «Линейные модели и их презентация»Обновления курса — —
Дата публикации курса «Линейные модели и их презентация»Дата публикации курса — ———
Последнее обновление курса «Линейные модели и их презентация»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Линейные модели и их презентация» 11 разделов Уроки в курсе «Линейные модели и их презентация» 29 уроков Тесты в курсе «Линейные модели и их презентация» 62 теста Задачи в курсе «Линейные модели и их презентация» 10 задач Время прохождения курса «Линейные модели и их презентация» 32 ч. Последнее обновление курса «Линейные модели и их презентация» обн. 2 февраля 2026

1. О курсе

3 урока
Закрытый
1.1 О курсе ↗
147
132
1м 43с
11
Закрытый
1.2 Тест по Python ↗
6 187
225
33м 36с
69
Закрытый
1.3 Тест по Pandas ↗
133
81
35м 35с
6

2. Задача регрессии. Начало

2 урока
Закрытый
2.1 Задача регрессии. Линейная регрессия ↗
138
107
110м 11с
12
Закрытый
2.2 Домашнее задание - 1 ↗
117
72
33м 0с
8

3. ООП в Python

5 уроков
Закрытый
3.1 Декораторы. Классы ↗
115
100
108м 23с
4
Закрытый
3.2 Домашнее задание - 2 ↗
105
47
93м 53с
7
Закрытый
3.3 Наследование. Абстрактные классы. Аннотация типов ↗
96
66
82м 0с
5
Закрытый
3.4 Домашнее задание - 3 ↗
88
46
27м 50с
4
Закрытый
3.5 Домашнее задание - 4 ↗
73
23
154м 7с
-1

4. Регрессия. Продолжение

2 урока
Закрытый
4.1 Метрики качества регрессии и интерпретация моделей ↗
92
72
97м 31с
8
Закрытый
4.2 Домашнее задание - 5 ↗
83
37
65м 7с
4

5. Фреймоворк Streamlit

3 урока
Закрытый
5.1 Начало работы со Streamlit ↗
87
82
1м 54с
4
Закрытый
5.2 Функции и виджеты ↗
86
75
68м 27с
4
Закрытый
5.3 Домашнее задание - 6 ↗
76
25
0м 25с
4

6. SQL

3 урока
Закрытый
6.1 Знакомство с Docker ↗
217
64
107м 3с
8
Закрытый
6.2 Основы SQL ↗
77
26
112м 54с
6
Закрытый
6.3 Домашнее задание - 7 ↗
54
24
141м 17с
1

7. Линейная классификация. Логистическая регрессия

2 урока
Закрытый
7.1 Линейная классификация. Логистическая регрессия ↗
72
30
107м 25с
2
Закрытый
7.2 Домашнее задание - 8 ↗
58
13
0м 16с
1

8. Фреймворк FastApi

4 урока
Закрытый
8.1 Знакомство с FastAPI ↗
100
87
68м 53с
6
Закрытый
8.2 Работа с хранилищем данных. SQLAlchemy ↗
79
61
153м 6с
6
Закрытый
8.3 PostgreSQL + FastAPI + Streamlit. Деплой сервиса ↗
58
45
53м 27с
2
Закрытый
8.4 Домашнее задание ↗
78
10
0м 14с
4

9. Интерпретация моделей классификации

3 урока
Закрытый
9.1 Интерпретация моделей классификации ↗
56
47
111м 6с
3
Закрытый
9.2 Продвинутые (интегральные) метрики классификации ↗
1 227
1 027
24м 42с
61
Закрытый
9.3 Домашнее задание - 10 ↗
47
15
68м 41с
1

10. Итоговый проект

1 урок
Закрытый
10.1 Задание ↗
68
5
1м 48с
0

11. Дополнительные материалы

1 урок
Закрытый
11.1 Полезные ссылки ↗
852
738
1м 41с
18