Курс на Stepik
Обложка курса «Мастерство ML: выбор, тюнинг и оптимизация моделей» на Stepik
2 590₽ -10%
--:--:--
2 331 ₽

Мастерство ML: выбор, тюнинг и оптимизация моделей ★ 0.000

Открыть на
STEPIK.ORG

Курс поможет вам уверенно разбираться в выборе моделей машинного обучения, их настройке, интерпретации и повышении качества предсказаний. Вы научитесь работать с линейными моделями, деревьями решений, ансамблями, градиентным бустингом, уменьшением размерности и методами интерпретации, а также отрабатывать навыки на практических заданиях.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей»Учеников на курсе 8
Сертификаты, выданные на курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей»Сертификатов выдано 1
Отзывы о курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей»Отзывов получено 0
Рейтинг курса «Мастерство ML: выбор, тюнинг и оптимизация моделей»Рейтинг курса 0.000
Уроки в курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей»Количество уроков 27
Тесты в курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей»Количество квизов 284
Время прохождения курса «Мастерство ML: выбор, тюнинг и оптимизация моделей»Время прохождения курса —
Стоимость курса «Мастерство ML: выбор, тюнинг и оптимизация моделей»Стоимость курса 2 590 ₽ —
Обновления курса «Мастерство ML: выбор, тюнинг и оптимизация моделей»Обновления курса — —
Дата публикации курса «Мастерство ML: выбор, тюнинг и оптимизация моделей»Дата публикации курса — ———
Последнее обновление курса «Мастерство ML: выбор, тюнинг и оптимизация моделей»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей» 7 разделов Уроки в курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей» 27 уроков Тесты в курсе «Мастерство ML: выбор, тюнинг и оптимизация моделей» 284 теста Время прохождения курса «Мастерство ML: выбор, тюнинг и оптимизация моделей» 0 ч. Последнее обновление курса «Мастерство ML: выбор, тюнинг и оптимизация моделей» обн. 28 января 2026

1. Базовые принципы выбора моделей

3 урока
Закрытый
1.1 Bias-Variance trade-off ↗
5
2
-
0
Закрытый
1.2 Метрики качества: MAE, RMSE, R², Accuracy, ROC AUC, F1 ↗
5
2
-
0
Закрытый
1.3 Практика: выбор подходящей модели для реального датасета ↗
5
2
-
0

2. Линейные модели и их тюнинг

4 урока
Закрытый
2.1 Linear Regression, Logistic Regression - принципы, ограничения ↗
4
3
-
0
Закрытый
2.2 L1, L2, ElasticNet: зачем регуляризация и как она работает ↗
4
2
-
0
Закрытый
2.3 Feature scaling, подбор гиперпараметров (alpha, C) ↗
4
2
-
0
Закрытый
2.4 Практика:настройка регуляризации GridSearchCV и RandomizedSearch ↗
4
1
-
0

3. Деревья решений и ансамбли

4 урока
Закрытый
3.1 DecisionTreeClassifier/Regressor — как работает дерево ↗
3
1
-
0
Закрытый
3.2 Проблемы переобучения и глубины дерева ↗
2
1
-
0
Закрытый
3.3 Как сделать деревья устойчивыми: методы ансамблирования ↗
4
1
-
0
Закрытый
3.4 Практика: сравнение ансамблей по качеству и интерпретируемости ↗
2
1
-
0

4. Градиентный бустинг и его настройка

4 урока
Закрытый
4.1 Идея бустинга: как слабые модели становятся сильными ↗
4
3
-
0
Закрытый
4.2 XGBoost, LightGBM, CatBoost — обзор различий ↗
4
1
-
0
Закрытый
4.3 Подбор гиперпараметров (learning_rate, n_estimators, depth) ↗
3
1
-
0
Закрытый
4.4 Практика: тюнинг CatBoost и визуализация важности признаков ↗
3
1
-
0

5. Оптимизация гиперпараметров

4 урока
Закрытый
5.1 GridSearchCV, RandomizedSearchCV — теория и применение ↗
4
1
-
0
Закрытый
5.2 Bayesian Optimization (Optuna, Hyperopt) ↗
2
1
-
0
Закрытый
5.3 Cross-validation и nested CV для честной оценки ↗
3
1
-
0
Закрытый
5.4 Практика: поиск оптимальной модели под Kaggle-задачу ↗
3
1
-
0

6. Отбор и инженерия признаков

5 уроков
Закрытый
6.1 Feature importance, permutation importance ↗
3
1
-
0
Закрытый
6.2 Recursive Feature Elimination (RFE) ↗
1
1
-
0
Закрытый
6.3 Взаимодействия признаков (interaction features) ↗
2
1
-
0
Закрытый
6.4 PCA, t-SNE, UMAP для сокращения размерности ↗
2
1
-
0
Закрытый
6.5 Практика: улучшение модели за счёт правильных признаков ↗
3
1
-
0

7. Интерпретация моделей

3 урока
Закрытый
7.1 SHAP, LIME, Partial Dependence Plots ↗
5
1
-
0
Закрытый
7.2 Практика: анализ SHAP-графиков ↗
4
1
-
0
Закрытый
7.3 Обратная связь ↗
9
5
-
0