Курс на Stepik
Обложка курса «Машинное Обучение в Python: Большой Курс для Начинающих» на Stepik
2 900 ₽

Машинное Обучение в Python: Большой Курс для Начинающих ★ 4.988

Открыть на
STEPIK.ORG

50+ часов видео-лекций и много практических заданий! 👍 Победитель Stepik Awards в номинации "Прорыв года"! 🏆 Этот курс - лучший способ начать с нуля и стать специалистом по Машинному Обучению в Python! Библиотеки NumPy, Pandas, Matplotlib, Seaborn, Scikit-Learn и многое другое.🔥 Оперативная поддержка автора!🔥 Почитайте отзывы и записывайтесь!

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Машинное Обучение в Python: Большой Курс для Начинающих»Учеников на курсе 6 226
Сертификаты, выданные на курсе «Машинное Обучение в Python: Большой Курс для Начинающих»Сертификатов выдано 858
Отзывы о курсе «Машинное Обучение в Python: Большой Курс для Начинающих»Отзывов получено 170
Рейтинг курса «Машинное Обучение в Python: Большой Курс для Начинающих»Рейтинг курса 4.988
Уроки в курсе «Машинное Обучение в Python: Большой Курс для Начинающих»Количество уроков 231
Тесты в курсе «Машинное Обучение в Python: Большой Курс для Начинающих»Количество квизов 64
Задачи с кодом в курсе «Машинное Обучение в Python: Большой Курс для Начинающих»Количество задач с кодом 22
Время прохождения курса «Машинное Обучение в Python: Большой Курс для Начинающих»Время прохождения курса —
Стоимость курса «Машинное Обучение в Python: Большой Курс для Начинающих»Стоимость курса 2 900 ₽ —
Обновления курса «Машинное Обучение в Python: Большой Курс для Начинающих»Обновления курса — —
Дата публикации курса «Машинное Обучение в Python: Большой Курс для Начинающих»Дата публикации курса — ———
Последнее обновление курса «Машинное Обучение в Python: Большой Курс для Начинающих»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Машинное Обучение в Python: Большой Курс для Начинающих» 26 разделов Уроки в курсе «Машинное Обучение в Python: Большой Курс для Начинающих» 231 урок Тесты в курсе «Машинное Обучение в Python: Большой Курс для Начинающих» 64 теста Задачи в курсе «Машинное Обучение в Python: Большой Курс для Начинающих» 22 задачи Время прохождения курса «Машинное Обучение в Python: Большой Курс для Начинающих» 52 ч. Последнее обновление курса «Машинное Обучение в Python: Большой Курс для Начинающих» обн. 3 мая 2026

1. Вводная часть курса

8 уроков
Закрытый
1.1 Добро пожаловать на курс! ↗
4 748
4 748
0м 30с
123
Закрытый
1.2 Материалы курса - ZIP-файлы для скачивания ↗
4 624
3 882
3м 27с
150
Закрытый
1.3 Установка Anaconda, Python, Jupyter Notebook ↗
4 203
4 203
10м 2с
116
Закрытый
1.4 Прочтите эту статью - Замечание о настройке среды разработки ↗
4 107
4 107
1м 16с
108
Закрытый
1.5 Настройка среды разработки ↗
4 007
3 706
8м 14с
140
Закрытый
1.6 Если мешает Anaconda Toolbox ↗
842
842
0м 19с
5
Закрытый
1.7 Часто задаваемые вопросы ↗
3 858
3 858
3м 23с
74
Закрытый
1.8 Полезные советы об интерфейсе Stepik (опционально) ↗
2 941
2 941
1м 17с
66

2. ОПЦИОНАЛЬНО: Экспресс-курс по Python

6 уроков
Закрытый
2.1 Пару слов об экспресс-курсе ↗
3 957
3 957
0м 21с
78
Закрытый
2.2 Экспресс-курс по Python - Часть 1 ↗
3 875
3 875
19м 44с
117
Закрытый
2.3 Экспресс-курс по Python - Часть 2 ↗
3 410
3 410
16м 5с
109
Закрытый
2.4 Экспресс-курс по Python - Часть 3 ↗
3 321
3 321
13м 50с
89
Закрытый
2.5 Проверочные упражнения по Python ↗
3 561
3 561
1м 27с
63
Закрытый
2.6 Решения для проверочных упражнений по Python ↗
3 257
3 257
12м 33с
62

3. Этапы работ по машинному обучению

1 урок
Открытый
3.1 Этапы работ по машинному обучению ↗
10 140
10 140
11м 14с
219

4. NumPy

7 уроков
Закрытый
4.1 Обзор раздела про NumPy ↗
3 871
3 871
3м 40с
141
Закрытый
4.2 Массивы NumPy ↗
3 746
882
29м 55с
204
Закрытый
4.3 Индексация и выбор данных из массивов NumPy ↗
3 413
813
16м 33с
163
Закрытый
4.4 Операции в NumPy ↗
3 279
796
9м 49с
123
Закрытый
4.5 Проверочные упражнения по NumPy - Часть 1 ↗
3 288
620
21м 3с
115
Закрытый
4.6 Проверочные упражнения по NumPy - Часть 2 ↗
782
619
4м 45с
7
Закрытый
4.7 Решения для проверочных упражнений по NumPy ↗
2 999
2 999
9м 35с
106

5. Pandas

28 уроков
Закрытый
5.1 Обзор раздела про Pandas ↗
3 237
3 237
6м 46с
124
Закрытый
5.2 Series - Часть 1 ↗
3 158
739
10м 49с
140
Закрытый
5.3 Series - Часть 2 ↗
3 029
684
12м 12с
131
Открытый
5.4 Датафреймы - Часть 1 - Создание датафреймов ↗
4 018
694
22м 42с
150
Закрытый
5.5 Датафреймы - Часть 2 - Основные атрибуты ↗
2 857
672
10м 52с
108
Закрытый
5.6 Датафреймы - Часть 3 - Работа с колонками ↗
2 801
655
14м 11с
133
Закрытый
5.7 Датафреймы - Часть 4 - Работа со строками ↗
2 742
607
20м 23с
131
Закрытый
5.8 Выборка данных по условию (Conditional Filtering) ↗
2 706
604
20м 11с
154
Закрытый
5.9 Полезные методы - Apply для одной колонки ↗
2 634
582
16м 45с
145
Закрытый
5.10 Полезные методы - Apply для нескольких колонок ↗
2 571
563
18м 56с
141
Закрытый
5.11 Полезные методы - Статистическая информация и сортировка данных ↗
2 529
550
17м 57с
135
Закрытый
5.12 Отсутствующие данные (missing data) - Обзор ↗
2 467
2 467
14м 46с
136
Закрытый
5.13 Отсутствующие данные (missing data) - Операции в Pandas ↗
2 428
520
23м 7с
139
Закрытый
5.14 Агрегация данных GROUP BY - Часть 1 ↗
2 375
501
19м 16с
118
Закрытый
5.15 Агрегация данных GROUP BY - Часть 2 - Мульти-индекс ↗
2 276
2 276
15м 33с
107
Закрытый
5.16 Объединение датафреймов - Конкатенация ↗
2 222
473
11м 12с
100
Закрытый
5.17 Объединение датафреймов - Inner Merge ↗
2 157
463
15м 10с
106
Закрытый
5.18 Объединение датафреймов - Left и Right Merge ↗
2 104
458
8м 23с
89
Закрытый
5.19 Объединение датафреймов - Outer Merge ↗
2 079
455
12м 40с
110
Закрытый
5.20 Методы Pandas для текста ↗
2 117
448
18м 23с
108
Закрытый
5.21 Методы Pandas для даты и времени ↗
2 055
428
24м 51с
123
Закрытый
5.22 Input/Output в Pandas - CSV-файлы ↗
2 048
427
12м 5с
95
Закрытый
5.23 Input/Output в Pandas - HTML-таблицы ↗
1 951
408
15м 55с
89
Закрытый
5.24 Input/Output в Pandas - Excel-файлы ↗
1 927
1 927
7м 10с
75
Закрытый
5.25 Input/Output в Pandas - SQL базы данных ↗
1 936
394
20м 53с
85
Открытый
5.26 Сводные таблицы в Pandas (pivot tables) ↗
3 251
459
25м 55с
111
Открытый
5.27 Проверочные упражнения по Pandas ↗
3 078
69
8м 26с
65
Закрытый
5.28 Решения для проверочных упражнений по Pandas ↗
1 786
1 786
26м 57с
77

6. Matplotlib

11 уроков
Закрытый
6.1 Обзор раздела про Matplotlib ↗
2 187
2 187
6м 54с
98
Закрытый
6.2 Основы Matplotlib ↗
2 125
442
13м 8с
105
Закрытый
6.3 Объект Figure - принципы работы ↗
2 048
2 048
9м 19с
95
Закрытый
6.4 Объект Figure - код в Python ↗
2 011
425
14м 47с
87
Закрытый
6.5 Объект Figure - код в Python ↗
1 956
414
5м 21с
93
Открытый
6.6 Subplots - несколько графиков рядом друг с другом ↗
2 759
408
20м 8с
107
Закрытый
6.7 Стилизация Matplotlib: легенды ↗
1 882
392
8м 31с
83
Закрытый
6.8 Стилизация Matplotlib: цвета и стили ↗
1 828
384
12м 18с
100
Закрытый
6.9 Дополнительные материалы по Matplotlib ↗
1 812
1 812
5м 11с
93
Закрытый
6.10 Проверочные упражнения по Matplotlib ↗
1 701
407
6м 24с
57
Закрытый
6.11 Решения для проверочных упражнений по Matplotlib ↗
1 510
1 510
16м 53с
48

7. Seaborn

14 уроков
Закрытый
7.1 Обзор раздела про Seaborn ↗
1 898
1 898
5м 29с
97
Открытый
7.2 Scatterplots - Графики рассеяния (диаграммы рассеяния) ↗
2 210
367
22м 40с
103
Закрытый
7.3 Distribution Plots - Часть 1 - Типы графиков ↗
1 748
1 748
11м 6с
81
Закрытый
7.4 Distribution Plots - Часть 2 - Код в Python ↗
1 714
348
19м 47с
84
Закрытый
7.5 Categorical Plots - Статистики по категориям - Типы графиков ↗
1 682
1 682
7м 23с
79
Закрытый
7.6 Categorical Plots - Статистики по категориям - Код в Python ↗
1 657
334
11м 21с
61
Закрытый
7.7 Categorical Plots - Распределения по категориям - Типы графиков ↗
1 620
324
17м 49с
78
Закрытый
7.8 Categorical Plots - Распределения по категориям - Код в Python ↗
1 570
313
18м 27с
76
Закрытый
7.9 Графики сравнения - Типы графиков ↗
1 573
1 573
6м 26с
63
Закрытый
7.10 Графики сравнения - Код в Python ↗
1 525
307
11м 35с
56
Закрытый
7.11 Seaborn Grid ↗
1 536
1 536
14м 39с
73
Закрытый
7.12 Матричные графики ↗
1 521
296
16м 30с
64
Закрытый
7.13 Проверочные упражнения по Seaborn ↗
1 403
1 403
9м 10с
48
Закрытый
7.14 Решения для проверочных упражнений по Seaborn ↗
1 240
1 240
15м 33с
46

8. Большой Проект по Визуализации Данных

4 урока
Открытый
8.1 Обзор Проекта по Визуализации Данных ↗
2 995
2 995
18м 13с
75
Закрытый
8.2 Разбор решений проекта - Часть 1 ↗
1 334
1 334
22м 44с
39
Закрытый
8.3 Разбор решений проекта - Часть 2 ↗
1 108
1 108
18м 43с
32
Закрытый
8.4 Разбор решений проекта - Часть 3 ↗
1 111
1 111
26м 9с
48

9. Обзор Машинного Обучения

5 уроков
Закрытый
9.1 Обзор раздела ↗
2 128
2 128
7м 4с
90
Закрытый
9.2 Зачем нужно машинное обучение ↗
2 043
441
11м 10с
89
Закрытый
9.3 Типы алгоритмов машинного обучения ↗
2 068
432
10м 5с
95
Закрытый
9.4 Процесс для обучения с учителем (supervised learning) ↗
2 005
420
17м 9с
115
Закрытый
9.5 (ОПЦИОНАЛЬНО) Дополнительная книга для чтения - ISLR ↗
2 116
2 116
1м 43с
51

10. Линейная Регрессия

26 уроков
Закрытый
10.1 Обзор раздела про линейную регрессию ↗
2 202
2 202
2м 55с
83
Открытый
10.2 Линейная регрессия - История алгоритма ↗
3 348
3 348
12м 12с
108
Закрытый
10.3 Наименьшие квадраты ↗
2 148
466
15м 16с
106
Закрытый
10.4 Функция стоимости (Cost Function) ↗
2 072
444
7м 43с
89
Закрытый
10.5 Градиентный спуск (Gradient Descent) ↗
2 043
431
12м 50с
87
Закрытый
10.6 Простая линейная регрессия ↗
1 967
1 967
20м 37с
116
Закрытый
10.7 Обзор Scikit-Learn ↗
1 917
1 917
11м 55с
101
Закрытый
10.8 Scikit-Learn - Train Test Split ↗
1 858
405
18м 41с
90
Закрытый
10.9 Scikit-Learn - оценка работы модели ↗
1 800
380
19м 22с
108
Закрытый
10.10 Графики остатков - Residual Plots ↗
1 726
1 726
15м 47с
100
Закрытый
10.11 Внедрение модели и интерпретация коэффициентов ↗
1 673
352
23м 1с
114
Закрытый
10.12 Полиномиальная регрессия - теория ↗
1 633
1 633
9м 27с
74
Закрытый
10.13 Полиномиальная регрессия - создание признаков ↗
1 577
349
13м 12с
85
Закрытый
10.14 Полиномиальная регрессия - обучение и оценка модели ↗
1 538
332
11м 27с
86
Закрытый
10.15 Дилемма смещения-дисперсии (Bias-Variance Trade-Off) ↗
1 531
326
15м 27с
82
Закрытый
10.16 Полиномиальная регрессия - выбираем степень полинома ↗
1 502
1 502
16м 47с
80
Закрытый
10.17 Полиномиальная регрессия - внедрение модели ↗
1 467
317
7м 1с
85
Закрытый
10.18 Регуляризация - обзор ↗
1 505
327
9м 37с
80
Закрытый
10.19 Масштабирование признаков (feature scaling) ↗
1 486
320
13м 33с
82
Закрытый
10.20 Кросс-валидация - обзор ↗
1 476
1 476
17м 33с
83
Закрытый
10.21 Регуляризация - подготовка данных ↗
1 440
1 440
7м 9с
61
Закрытый
10.22 L2 Регуляризация - Ридж-регрессия - теория ↗
1 429
1 429
13м 43с
66
Закрытый
10.23 L2 Регуляризация - Ридж-регрессия - код в Python ↗
1 395
1 395
21м 50с
76
Закрытый
10.24 L1 Регуляризация - Лассо-регрессия - теория и код в Python ↗
1 364
1 364
17м 29с
77
Закрытый
10.25 L1 и L2 Регуляризация - Эластичная сеть Elastic Net ↗
1 337
1 337
20м 3с
70
Закрытый
10.26 Обзор данных для проверочного проекта по линейной регрессии ↗
1 397
1 397
5м 51с
55

11. Конструирование признаков (Feature Engineering), готовим данные

6 уроков
Закрытый
11.1 Обзор раздела - Feature Engineering ↗
1 430
1 430
23м 56с
84
Закрытый
11.2 Работа с выбросами (outliers) ↗
1 384
1 384
37м 29с
88
Закрытый
11.3 Работа с отсутствующими данными (missing data) - Часть 1 ↗
1 291
1 291
14м 1с
64
Закрытый
11.4 Работа с отсутствующими данными (missing data) - Часть 2 ↗
1 249
1 249
25м 14с
64
Закрытый
11.5 Работа с отсутствующими данными (missing data) - Часть 3 ↗
1 213
1 213
32м 31с
70
Закрытый
11.6 Работа с категориальными переменными ↗
1 254
1 254
19м 26с
75

12. Кросс-валидация и Проверочный проект по линейной регрессии

9 уроков
Закрытый
12.1 Обзор раздела про кросс-валидацию ↗
1 264
1 264
5м 40с
63
Закрытый
12.2 Разбиение Train | Test Split ↗
1 227
1 227
15м 7с
55
Закрытый
12.3 Разбиение Train | Validation | Test Split ↗
1 189
1 189
19м 2с
55
Закрытый
12.4 Кросс-валидация - cross_val_score ↗
1 174
1 174
21м 49с
63
Закрытый
12.5 Кросс-валидация - cross_validate ↗
1 139
1 139
8м 34с
56
Закрытый
12.6 Поиск по сетке - Grid Search ↗
1 155
1 155
20м 27с
62
Закрытый
12.7 Случайный поиск - Random Search ↗
826
826
11м 59с
38
Закрытый
12.8 Обзор проверочного проекта по линейной регрессии ↗
1 152
1 152
6м 36с
52
Закрытый
12.9 Решения для проверочного проекта по линейной регрессии ↗
1 034
1 034
17м 53с
41

13. Логистическая регрессия

15 уроков
Закрытый
13.1 Обзор раздела про логистическую регрессию ↗
1 253
1 253
10м 31с
67
Закрытый
13.2 Теория логистической регрессии - Часть 1 - Логистическая функция ↗
1 222
1 222
6м 30с
70
Закрытый
13.3 Теория логистической регрессии - Часть 2 - От линейной к логист. ↗
1 200
1 200
8м 39с
59
Закрытый
13.4 Теория логистической регрессии - Часть 3 - Математика перехода ↗
1 188
1 188
18м 5с
55
Закрытый
13.5 Теория логистической регрессии - Часть 4 - Поиск графика ↗
1 169
1 169
15м 26с
48
Закрытый
13.6 Логистическая регрессия в Scikit-Learn - Часть 1 - EDA ↗
1 158
1 158
15м 48с
52
Закрытый
13.7 Логистическая регрессия в Scikit-Learn - Часть 2 - Модель ↗
1 116
1 116
7м 48с
49
Закрытый
13.8 Метрики классификации - Confusion Matrix и Accuracy ↗
1 122
1 122
13м 47с
65
Закрытый
13.9 Метрики классификации - Precision, Recall и F1-Score ↗
1 100
1 100
8м 51с
48
Закрытый
13.10 Метрики классификации - ROC-кривые ↗
1 099
1 099
11м 13с
53
Закрытый
13.11 Логистическая регрессия в Scikit-Learn - Часть 3 - Оценка модели ↗
1 083
1 083
19м 4с
54
Закрытый
13.12 Мульти-классовая классификация - Логистическая регрессия - EDA ↗
1 054
1 054
10м 44с
49
Закрытый
13.13 Мульти-классовая классификация - Логистическая регрессия -Модель ↗
1 038
1 038
18м 23с
47
Закрытый
13.14 Проверочный проект по логистической регрессии ↗
1 004
1 004
5м 24с
44
Закрытый
13.15 Решения для проверочного проекта по логистической регрессии ↗
880
880
28м 43с
37

14. Метод К-ближайших соседей (KNN - K-Nearest Neighbors)

6 уроков
Закрытый
14.1 Обзор раздела про метод К-ближайших соседей ↗
1 139
1 139
3м 52с
46
Закрытый
14.2 Теория метода К-ближайших соседей ↗
1 123
1 123
15м 43с
59
Закрытый
14.3 KNN: пишем код в Python - Часть 1 ↗
1 072
1 072
14м 47с
52
Закрытый
14.4 KNN: пишем код в Python - Часть 2 ↗
997
997
24м 46с
55
Закрытый
14.5 Проверочные упражнения по KNN ↗
917
917
4м 8с
39
Закрытый
14.6 Решения для проверочных упражнений по KNN ↗
818
818
15м 35с
28

15. Метод опорных векторов (SVM - Support Vector Machines)

10 уроков
Закрытый
15.1 Обзор раздела про метод опорных векторов ↗
1 034
1 034
2м 30с
49
Закрытый
15.2 История метода опорных векторов ↗
1 006
1 006
6м 40с
47
Закрытый
15.3 Теория метода опорных векторов - Гиперплоскости и зазоры ↗
1 022
1 022
21м 49с
55
Закрытый
15.4 Теория метода опорных векторов - ядра (kernels) ↗
979
979
5м 1с
54
Закрытый
15.5 Теория метода опорных векторов - "kernel trick" и математика ↗
964
964
24м 50с
49
Закрытый
15.6 SVM в Scikit-Learn для задач классификации - Часть 1 ↗
947
947
11м 23с
41
Закрытый
15.7 SVM в Scikit-Learn для задач классификации - Часть 2 ↗
911
911
16м 0с
49
Закрытый
15.8 SVM в Scikit-Learn для задач регрессии ↗
897
897
23м 38с
50
Закрытый
15.9 Проверочные упражнения по методу опорных векторов ↗
809
809
6м 40с
34
Закрытый
15.10 Решения для проверочных упражнений по методу опорных векторов ↗
772
772
21м 22с
48

16. Деревья решений - Decision Trees

8 уроков
Закрытый
16.1 Обзор раздела про деревья решений ↗
1 051
1 051
1м 19с
47
Закрытый
16.2 Деревья решений - История ↗
1 043
1 043
12м 59с
54
Закрытый
16.3 Деревья решений - Терминология ↗
1 019
1 019
5м 3с
47
Закрытый
16.4 Деревья решений - метрика "Gini Impurity" ↗
1 002
1 002
11м 59с
58
Закрытый
16.5 Построение деревьев решений с помощью Gini Impurity - Часть 1 ↗
988
988
11м 37с
51
Закрытый
16.6 Построение деревьев решений с помощью Gini Impurity - Часть 2 ↗
957
957
14м 26с
44
Закрытый
16.7 Код в Python для деревьев решений - Часть 1 - Данные ↗
980
980
27м 23с
46
Закрытый
16.8 Код в Python для деревьев решений - Часть 2 - Модель ↗
927
927
30м 11с
64

17. Случайные леса - Random Forests

11 уроков
Закрытый
17.1 Обзор раздела про случайные леса ↗
967
967
2м 10с
45
Закрытый
17.2 История и мотивация создания случайных лесов ↗
927
927
16м 34с
60
Закрытый
17.3 Гиперпараметры случайного леса - Обзор ↗
912
912
3м 18с
42
Закрытый
17.4 Гиперпараметры случайного леса - Количество деревьев и Признаков ↗
908
908
12м 47с
60
Закрытый
17.5 Гиперпараметры случайного леса - Bootstrapping и oob_score ↗
883
883
15м 10с
86
Закрытый
17.6 Классификация данных с помощью RandomForestClassifier - Часть 1 ↗
861
861
13м 57с
45
Закрытый
17.7 Классификация данных с помощью RandomForestClassifier - Часть 2 ↗
838
838
29м 19с
54
Закрытый
17.8 Регрессия с помощью RandomForestRegressor - Часть 1 - Данные ↗
836
836
6м 54с
42
Закрытый
17.9 Регрессия с помощью RandomForestRegressor - Часть 2 - Модели 1 ↗
813
813
15м 57с
35
Закрытый
17.10 Регрессия с помощью RandomForestRegressor - Часть 3 - Модели 2 ↗
800
800
12м 5с
40
Закрытый
17.11 Регрессия с помощью RandomForestRegressor - Часть 4 - Модели 3 ↗
794
794
15м 52с
54

18. Бустинг и Расширяемые деревья - Boosted Trees

7 уроков
Закрытый
18.1 Обзор раздела про бустинг ↗
890
890
2м 26с
48
Закрытый
18.2 История возникновения бустинга ↗
861
861
8м 37с
42
Закрытый
18.3 AdaBoost - Теория - Как работает адаптивный бустинг ↗
871
871
22м 23с
44
Закрытый
18.4 AdaBoost - Код в Python - Данные ↗
831
831
13м 49с
41
Закрытый
18.5 AdaBoost - Код в Python - Модель ↗
805
805
23м 38с
49
Закрытый
18.6 Градиентный бустинг - Теория ↗
862
862
15м 6с
46
Закрытый
18.7 Градиентный бустинг - Пишем код в Python ↗
828
828
16м 39с
54

19. Проверочный проект по моделям обучения с учителем (Supervised Le

4 урока
Закрытый
19.1 Обзор проверочного проекта ↗
827
827
19м 2с
41
Закрытый
19.2 Разбор решений - Часть 1 - Исследование данных (EDA) ↗
647
647
20м 29с
27
Закрытый
19.3 Разбор решений - Часть 2 - Анализ оттока (Churn Analysis) ↗
582
582
26м 39с
26
Закрытый
19.4 Разбор решений - Часть 3 - Модели на основе деревьев решений ↗
591
591
29м 42с
34

20. Natural Language Processing и Наивный Байесовский Классификатор

10 уроков
Закрытый
20.1 Обзор раздела про NLP и Наивный Байесовский алгоритм ↗
890
890
5м 1с
47
Закрытый
20.2 Наивный Байесовский алгоритм - Часть 1 - Теорема Байеса ↗
844
844
11м 56с
44
Закрытый
20.3 Наивный Байесовский алгоритм - Часть 2 - сам алгоритм ↗
798
798
26м 9с
41
Закрытый
20.4 Извлечение признаков из текста - Теория ↗
772
772
16м 51с
36
Закрытый
20.5 Извлечение признаков из текста, "Мешок слов" - пишем код вручную ↗
754
754
19м 19с
38
Закрытый
20.6 Извлечение признаков из текста с помощью Scikit-Learn ↗
718
718
11м 10с
38
Закрытый
20.7 Классификация текста - Часть 1 ↗
743
743
12м 52с
35
Закрытый
20.8 Классификация текста - Часть 2 ↗
722
722
12м 20с
41
Закрытый
20.9 Проверочные упражнения по классификации текста ↗
654
654
6м 24с
29
Закрытый
20.10 Решения для проверочных упражнений по классификации текста ↗
592
592
19м 42с
35

21. Машинное обучение без учителя - Unsupervised Learning

1 урок
Закрытый
21.1 Обзор обучения без учителя - Unsupervised Learning ↗
799
799
13м 57с
55

22. Кластеризация К-Средних - K-Means Clustering

13 уроков
Закрытый
22.1 Обзор раздела про кластеризацию К-средних ↗
804
804
2м 27с
32
Закрытый
22.2 Принципы кластеризации данных (без привязки к алгоритму) ↗
773
773
12м 55с
37
Закрытый
22.3 Теория кластеризации К-средних ↗
757
757
10м 38с
39
Закрытый
22.4 Кластеризация К-средних - Пишем код - Часть 1 ↗
741
741
20м 30с
35
Закрытый
22.5 Кластеризация К-средних - Пишем код - Часть 2 ↗
714
714
15м 21с
33
Закрытый
22.6 Выбираем количество кластеров К - Теория ↗
704
704
26м 13с
39
Закрытый
22.7 Выбираем количество кластеров К - Пишем код в Python ↗
682
682
15м 27с
29
Закрытый
22.8 Квантование цветов - Теория ↗
678
678
14м 55с
37
Закрытый
22.9 Квантование цветов - Пишем код в Python ↗
650
650
13м 35с
38
Закрытый
22.10 Проверочные упражнения по кластеризации К-средних ↗
619
619
8м 37с
25
Закрытый
22.11 Решения для проверочных упражнений - Часть 1 ↗
516
516
12м 17с
18
Закрытый
22.12 Решения для проверочных упражнений - Часть 2 ↗
508
508
18м 45с
20
Закрытый
22.13 Решения для проверочных упражнений - Часть 3 ↗
507
507
9м 2с
29

23. Иерархическая кластеризация данных

4 урока
Закрытый
23.1 Обзор раздела про иерархическую кластеризацию ↗
651
651
1м 17с
27
Закрытый
23.2 Теория и интуиция иерархической кластеризации ↗
649
649
15м 7с
35
Закрытый
23.3 Иерархическая кластеризация - Пишем код, часть 1 - Данные ↗
629
629
16м 26с
30
Закрытый
23.4 Иерархическая кластеризация - Пишем код, часть 2 - Scikit-Learn ↗
610
610
29м 50с
34

24. DBSCAN - Кластеризация на основе плотности данных

7 уроков
Закрытый
24.1 Обзор раздела про кластеризацию DBSCAN ↗
659
659
1м 26с
32
Закрытый
24.2 Теория алгоритма DBSCAN ↗
654
654
20м 56с
32
Закрытый
24.3 Сравниваем DBSCAN и K-Means Clustering ↗
632
632
12м 56с
28
Закрытый
24.4 Ключевые гиперпараметры DBSCAN - Теория ↗
599
599
9м 58с
30
Закрытый
24.5 Ключевые гиперпараметры DBSCAN - код в Python ↗
593
593
24м 2с
31
Закрытый
24.6 Проверочные упражнения по DBSCAN ↗
549
549
7м 21с
24
Закрытый
24.7 Решения для проверочных упражнений по DBSCAN ↗
485
485
27м 45с
28

25. Метод главных компонент (PCA - Principal Component Analysis)

7 уроков
Закрытый
25.1 Обзор раздела про метод главных компонент ↗
736
736
4м 15с
33
Закрытый
25.2 Теория метода главных компонент - Часть 1 - История и интуиция ↗
693
693
13м 47с
31
Закрытый
25.3 Теория метода главных компонент - Часть 2 - Математика ↗
669
669
13м 22с
36
Закрытый
25.4 Реализация метода главных компонент вручную ↗
661
661
20м 2с
36
Закрытый
25.5 Метод главных компонент в Scikit-Learn ↗
635
635
12м 23с
31
Закрытый
25.6 Проверочные упражнения по методу главных компонент ↗
621
621
8м 41с
19
Закрытый
25.7 Решения для проверочных упражнений по методу главных компонент ↗
563
563
16м 37с
23

26. Резюме курса

3 урока
Закрытый
26.1 Пройдите короткий тест ↗
1 301
789
0м 14с
20
Закрытый
26.2 Резюме курса ↗
1 196
1 196
2м 20с
79
Закрытый
26.3 Финальные шаги ↗
1 178
1 178
1м 27с
42