Курс на Stepik
Обложка курса «Линейные модели: основа машинного обучения» на Stepik
Бесплатно

Линейные модели: основа машинного обучения ★ 0.000

Открыть на
STEPIK.ORG

Понятный курс о линейной и логистической регрессии: как они устроены, как обучаются, как проверять качество и почему линейные модели до сих пор полезны.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Линейные модели: основа машинного обучения»Учеников на курсе 11
Сертификаты, выданные на курсе «Линейные модели: основа машинного обучения»Сертификатов выдано 0
Отзывы о курсе «Линейные модели: основа машинного обучения»Отзывов получено 0
Рейтинг курса «Линейные модели: основа машинного обучения»Рейтинг курса 0.000
Уроки в курсе «Линейные модели: основа машинного обучения»Количество уроков 16
Тесты в курсе «Линейные модели: основа машинного обучения»Количество квизов 16
Время прохождения курса «Линейные модели: основа машинного обучения»Время прохождения курса —
Обновления курса «Линейные модели: основа машинного обучения»Обновления курса — —
Дата публикации курса «Линейные модели: основа машинного обучения»Дата публикации курса — ———
Последнее обновление курса «Линейные модели: основа машинного обучения»Последнее обновление — ———

Чему вы научитесь

  • Объяснять, что такое линейная модель и что означают её коэффициенты.
  • Различать задачи регрессии и классификации и выбирать подходящую постановку.
  • Понимать, что оптимизируют MSE и log loss и почему это важно.
  • Выбирать базовые метрики качества для регрессии и классификации и интерпретировать их.
  • Понимать роль валидации и выявлять утечки данных.
  • Знать, зачем нужна регуляризация (Ridge/Lasso) и когда она помогает.
  • Понимать порог решения, ROC-AUC и PR-AUC и как они связаны с бизнес-ценой ошибок.
  • Интерпретировать коэффициенты логистической регрессии как влияние на odds.
  • Понимать, почему линейные модели остаются сильным базлайном и где они выигрывают.

О курсе

Понятный курс о линейной и логистической регрессии: как они устроены, как обучаются, как проверять качество и почему линейные модели до сих пор полезны.

Для кого этот курс

Новички в ML и data science, которые хотят понять линейные модели без магии: что такое признаки и коэффициенты, как устроены линейная и логистическая регрессия, как измерять качество и как избегать типовых ошибок.

Начальные требования

Достаточно базовой компьютерной грамотности. Полезно (но не обязательно) помнить школьную алгебру и понимать смысл вероятности. Код не требуется: цель — построить правильные ментальные модели.

Преподаватели курса

Аватар Future Academy
Future Academy
Future Academy — платформа практических IT-курсов от действующих специалистов. Мы создаём структурированные программы по...
★ 4.8
14 курсов 124
→

Как проходит обучение

В каждом уроке: два коротких теоретических шага (одна цель на шаг) и один квиз в конце. Учитесь в своём темпе: читаете, связываете идеи с реальными сценариями и закрепляете понимание вопросами.

Формат курса

Текстовые уроки с примерами и интерактивными квизами Stepik для проверки понимания.

Что вы получите

  • Короткая памятка: как отличать регрессию от классификации и не ошибиться в постановке.
  • Чек‑лист валидации: где искать утечки данных и как их не допускать.
  • Таблица-ориентир: какие метрики использовать и что они означают.
  • Карта решений: когда выбирать линейную модель как базлайн или финальный вариант.

Нагрузка

10–15 часов суммарно, 2–4 часа в неделю.

Расскажите о курсе друзьям