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

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 13
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. 14 августа 2026

Базовые принципы выбора моделей

3 урока
1. Bias-Variance trade-off ↗
2. Метрики качества: MAE, RMSE, R², Accuracy, ROC AUC, F1 ↗
3. Практика: выбор подходящей модели для реального датасета ↗

Линейные модели и их тюнинг

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

Деревья решений и ансамбли

4 урока
1. DecisionTreeClassifier/Regressor — как работает дерево ↗
2. Проблемы переобучения и глубины дерева ↗
3. Как сделать деревья устойчивыми: методы ансамблирования ↗
4. Практика: сравнение ансамблей по качеству и интерпретируемости ↗

Градиентный бустинг и его настройка

4 урока
1. Идея бустинга: как слабые модели становятся сильными ↗
2. XGBoost, LightGBM, CatBoost — обзор различий ↗
3. Подбор гиперпараметров (learning_rate, n_estimators, depth) ↗
4. Практика: тюнинг CatBoost и визуализация важности признаков ↗

Оптимизация гиперпараметров

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

Отбор и инженерия признаков

5 уроков
1. Feature importance, permutation importance ↗
2. Recursive Feature Elimination (RFE) ↗
3. Взаимодействия признаков (interaction features) ↗
4. PCA, t-SNE, UMAP для сокращения размерности ↗
5. Практика: улучшение модели за счёт правильных признаков ↗

Интерпретация моделей

3 урока
1. SHAP, LIME, Partial Dependence Plots ↗
2. Практика: анализ SHAP-графиков ↗
3. Обратная связь ↗