Содержание курса
26
разделов
231
урок
64
теста
22
задачи
52 ч.
обн. 28 июля 2026
Вводная часть курса
8 уроков
1.
Добро пожаловать на курс!
↗
2.
Материалы курса - ZIP-файлы для скачивания
↗
3.
Установка Anaconda, Python, Jupyter Notebook
↗
4.
Прочтите эту статью - Замечание о настройке среды разработки
↗
5.
Настройка среды разработки
↗
6.
Если мешает Anaconda Toolbox
↗
7.
Часто задаваемые вопросы
↗
8.
Полезные советы об интерфейсе Stepik (опционально)
↗
ОПЦИОНАЛЬНО: Экспресс-курс по Python
6 уроков
1.
Пару слов об экспресс-курсе
↗
2.
Экспресс-курс по Python - Часть 1
↗
3.
Экспресс-курс по Python - Часть 2
↗
4.
Экспресс-курс по Python - Часть 3
↗
5.
Проверочные упражнения по Python
↗
6.
Решения для проверочных упражнений по Python
↗
Этапы работ по машинному обучению
1 урок
1.
Этапы работ по машинному обучению
↗
NumPy
7 уроков
1.
Обзор раздела про NumPy
↗
2.
Массивы NumPy
↗
3.
Индексация и выбор данных из массивов NumPy
↗
4.
Операции в NumPy
↗
5.
Проверочные упражнения по NumPy - Часть 1
↗
6.
Проверочные упражнения по NumPy - Часть 2
↗
7.
Решения для проверочных упражнений по NumPy
↗
Pandas
28 уроков
1.
Обзор раздела про Pandas
↗
2.
Series - Часть 1
↗
3.
Series - Часть 2
↗
4.
Датафреймы - Часть 1 - Создание датафреймов
↗
5.
Датафреймы - Часть 2 - Основные атрибуты
↗
6.
Датафреймы - Часть 3 - Работа с колонками
↗
7.
Датафреймы - Часть 4 - Работа со строками
↗
8.
Выборка данных по условию (Conditional Filtering)
↗
9.
Полезные методы - Apply для одной колонки
↗
10.
Полезные методы - Apply для нескольких колонок
↗
11.
Полезные методы - Статистическая информация и сортировка данных
↗
12.
Отсутствующие данные (missing data) - Обзор
↗
13.
Отсутствующие данные (missing data) - Операции в Pandas
↗
14.
Агрегация данных GROUP BY - Часть 1
↗
15.
Агрегация данных GROUP BY - Часть 2 - Мульти-индекс
↗
16.
Объединение датафреймов - Конкатенация
↗
17.
Объединение датафреймов - Inner Merge
↗
18.
Объединение датафреймов - Left и Right Merge
↗
19.
Объединение датафреймов - Outer Merge
↗
20.
Методы Pandas для текста
↗
21.
Методы Pandas для даты и времени
↗
22.
Input/Output в Pandas - CSV-файлы
↗
23.
Input/Output в Pandas - HTML-таблицы
↗
24.
Input/Output в Pandas - Excel-файлы
↗
25.
Input/Output в Pandas - SQL базы данных
↗
26.
Сводные таблицы в Pandas (pivot tables)
↗
27.
Проверочные упражнения по Pandas
↗
28.
Решения для проверочных упражнений по Pandas
↗
Matplotlib
11 уроков
1.
Обзор раздела про Matplotlib
↗
2.
Основы Matplotlib
↗
3.
Объект Figure - принципы работы
↗
4.
Объект Figure - код в Python
↗
5.
Объект Figure - код в Python
↗
6.
Subplots - несколько графиков рядом друг с другом
↗
7.
Стилизация Matplotlib: легенды
↗
8.
Стилизация Matplotlib: цвета и стили
↗
9.
Дополнительные материалы по Matplotlib
↗
10.
Проверочные упражнения по Matplotlib
↗
11.
Решения для проверочных упражнений по Matplotlib
↗
Seaborn
14 уроков
1.
Обзор раздела про Seaborn
↗
2.
Scatterplots - Графики рассеяния (диаграммы рассеяния)
↗
3.
Distribution Plots - Часть 1 - Типы графиков
↗
4.
Distribution Plots - Часть 2 - Код в Python
↗
5.
Categorical Plots - Статистики по категориям - Типы графиков
↗
6.
Categorical Plots - Статистики по категориям - Код в Python
↗
7.
Categorical Plots - Распределения по категориям - Типы графиков
↗
8.
Categorical Plots - Распределения по категориям - Код в Python
↗
9.
Графики сравнения - Типы графиков
↗
10.
Графики сравнения - Код в Python
↗
11.
Seaborn Grid
↗
12.
Матричные графики
↗
13.
Проверочные упражнения по Seaborn
↗
14.
Решения для проверочных упражнений по Seaborn
↗
Большой Проект по Визуализации Данных
4 урока
1.
Обзор Проекта по Визуализации Данных
↗
2.
Разбор решений проекта - Часть 1
↗
3.
Разбор решений проекта - Часть 2
↗
4.
Разбор решений проекта - Часть 3
↗
Обзор Машинного Обучения
5 уроков
1.
Обзор раздела
↗
2.
Зачем нужно машинное обучение
↗
3.
Типы алгоритмов машинного обучения
↗
4.
Процесс для обучения с учителем (supervised learning)
↗
5.
(ОПЦИОНАЛЬНО) Дополнительная книга для чтения - ISLR
↗
Линейная Регрессия
26 уроков
1.
Обзор раздела про линейную регрессию
↗
2.
Линейная регрессия - История алгоритма
↗
3.
Наименьшие квадраты
↗
4.
Функция стоимости (Cost Function)
↗
5.
Градиентный спуск (Gradient Descent)
↗
6.
Простая линейная регрессия
↗
7.
Обзор Scikit-Learn
↗
8.
Scikit-Learn - Train Test Split
↗
9.
Scikit-Learn - оценка работы модели
↗
10.
Графики остатков - Residual Plots
↗
11.
Внедрение модели и интерпретация коэффициентов
↗
12.
Полиномиальная регрессия - теория
↗
13.
Полиномиальная регрессия - создание признаков
↗
14.
Полиномиальная регрессия - обучение и оценка модели
↗
15.
Дилемма смещения-дисперсии (Bias-Variance Trade-Off)
↗
16.
Полиномиальная регрессия - выбираем степень полинома
↗
17.
Полиномиальная регрессия - внедрение модели
↗
18.
Регуляризация - обзор
↗
19.
Масштабирование признаков (feature scaling)
↗
20.
Кросс-валидация - обзор
↗
21.
Регуляризация - подготовка данных
↗
22.
L2 Регуляризация - Ридж-регрессия - теория
↗
23.
L2 Регуляризация - Ридж-регрессия - код в Python
↗
24.
L1 Регуляризация - Лассо-регрессия - теория и код в Python
↗
25.
L1 и L2 Регуляризация - Эластичная сеть Elastic Net
↗
26.
Обзор данных для проверочного проекта по линейной регрессии
↗
Конструирование признаков (Feature Engineering), готовим данные
6 уроков
1.
Обзор раздела - Feature Engineering
↗
2.
Работа с выбросами (outliers)
↗
3.
Работа с отсутствующими данными (missing data) - Часть 1
↗
4.
Работа с отсутствующими данными (missing data) - Часть 2
↗
5.
Работа с отсутствующими данными (missing data) - Часть 3
↗
6.
Работа с категориальными переменными
↗
Кросс-валидация и Проверочный проект по линейной регрессии
9 уроков
1.
Обзор раздела про кросс-валидацию
↗
2.
Разбиение Train | Test Split
↗
3.
Разбиение Train | Validation | Test Split
↗
4.
Кросс-валидация - cross_val_score
↗
5.
Кросс-валидация - cross_validate
↗
6.
Поиск по сетке - Grid Search
↗
7.
Случайный поиск - Random Search
↗
8.
Обзор проверочного проекта по линейной регрессии
↗
9.
Решения для проверочного проекта по линейной регрессии
↗
Логистическая регрессия
15 уроков
1.
Обзор раздела про логистическую регрессию
↗
2.
Теория логистической регрессии - Часть 1 - Логистическая функция
↗
3.
Теория логистической регрессии - Часть 2 - От линейной к логист.
↗
4.
Теория логистической регрессии - Часть 3 - Математика перехода
↗
5.
Теория логистической регрессии - Часть 4 - Поиск графика
↗
6.
Логистическая регрессия в Scikit-Learn - Часть 1 - EDA
↗
7.
Логистическая регрессия в Scikit-Learn - Часть 2 - Модель
↗
8.
Метрики классификации - Confusion Matrix и Accuracy
↗
9.
Метрики классификации - Precision, Recall и F1-Score
↗
10.
Метрики классификации - ROC-кривые
↗
11.
Логистическая регрессия в Scikit-Learn - Часть 3 - Оценка модели
↗
12.
Мульти-классовая классификация - Логистическая регрессия - EDA
↗
13.
Мульти-классовая классификация - Логистическая регрессия -Модель
↗
14.
Проверочный проект по логистической регрессии
↗
15.
Решения для проверочного проекта по логистической регрессии
↗
Метод К-ближайших соседей (KNN - K-Nearest Neighbors)
6 уроков
1.
Обзор раздела про метод К-ближайших соседей
↗
2.
Теория метода К-ближайших соседей
↗
3.
KNN: пишем код в Python - Часть 1
↗
4.
KNN: пишем код в Python - Часть 2
↗
5.
Проверочные упражнения по KNN
↗
6.
Решения для проверочных упражнений по KNN
↗
Метод опорных векторов (SVM - Support Vector Machines)
10 уроков
1.
Обзор раздела про метод опорных векторов
↗
2.
История метода опорных векторов
↗
3.
Теория метода опорных векторов - Гиперплоскости и зазоры
↗
4.
Теория метода опорных векторов - ядра (kernels)
↗
5.
Теория метода опорных векторов - "kernel trick" и математика
↗
6.
SVM в Scikit-Learn для задач классификации - Часть 1
↗
7.
SVM в Scikit-Learn для задач классификации - Часть 2
↗
8.
SVM в Scikit-Learn для задач регрессии
↗
9.
Проверочные упражнения по методу опорных векторов
↗
10.
Решения для проверочных упражнений по методу опорных векторов
↗
Деревья решений - Decision Trees
8 уроков
1.
Обзор раздела про деревья решений
↗
2.
Деревья решений - История
↗
3.
Деревья решений - Терминология
↗
4.
Деревья решений - метрика "Gini Impurity"
↗
5.
Построение деревьев решений с помощью Gini Impurity - Часть 1
↗
6.
Построение деревьев решений с помощью Gini Impurity - Часть 2
↗
7.
Код в Python для деревьев решений - Часть 1 - Данные
↗
8.
Код в Python для деревьев решений - Часть 2 - Модель
↗
Случайные леса - Random Forests
11 уроков
1.
Обзор раздела про случайные леса
↗
2.
История и мотивация создания случайных лесов
↗
3.
Гиперпараметры случайного леса - Обзор
↗
4.
Гиперпараметры случайного леса - Количество деревьев и Признаков
↗
5.
Гиперпараметры случайного леса - Bootstrapping и oob_score
↗
6.
Классификация данных с помощью RandomForestClassifier - Часть 1
↗
7.
Классификация данных с помощью RandomForestClassifier - Часть 2
↗
8.
Регрессия с помощью RandomForestRegressor - Часть 1 - Данные
↗
9.
Регрессия с помощью RandomForestRegressor - Часть 2 - Модели 1
↗
10.
Регрессия с помощью RandomForestRegressor - Часть 3 - Модели 2
↗
11.
Регрессия с помощью RandomForestRegressor - Часть 4 - Модели 3
↗
Бустинг и Расширяемые деревья - Boosted Trees
7 уроков
1.
Обзор раздела про бустинг
↗
2.
История возникновения бустинга
↗
3.
AdaBoost - Теория - Как работает адаптивный бустинг
↗
4.
AdaBoost - Код в Python - Данные
↗
5.
AdaBoost - Код в Python - Модель
↗
6.
Градиентный бустинг - Теория
↗
7.
Градиентный бустинг - Пишем код в Python
↗
Проверочный проект по моделям обучения с учителем (Supervised Le
4 урока
1.
Обзор проверочного проекта
↗
2.
Разбор решений - Часть 1 - Исследование данных (EDA)
↗
3.
Разбор решений - Часть 2 - Анализ оттока (Churn Analysis)
↗
4.
Разбор решений - Часть 3 - Модели на основе деревьев решений
↗
Natural Language Processing и Наивный Байесовский Классификатор
10 уроков
1.
Обзор раздела про NLP и Наивный Байесовский алгоритм
↗
2.
Наивный Байесовский алгоритм - Часть 1 - Теорема Байеса
↗
3.
Наивный Байесовский алгоритм - Часть 2 - сам алгоритм
↗
4.
Извлечение признаков из текста - Теория
↗
5.
Извлечение признаков из текста, "Мешок слов" - пишем код вручную
↗
6.
Извлечение признаков из текста с помощью Scikit-Learn
↗
7.
Классификация текста - Часть 1
↗
8.
Классификация текста - Часть 2
↗
9.
Проверочные упражнения по классификации текста
↗
10.
Решения для проверочных упражнений по классификации текста
↗
Машинное обучение без учителя - Unsupervised Learning
1 урок
1.
Обзор обучения без учителя - Unsupervised Learning
↗
Кластеризация К-Средних - K-Means Clustering
13 уроков
1.
Обзор раздела про кластеризацию К-средних
↗
2.
Принципы кластеризации данных (без привязки к алгоритму)
↗
3.
Теория кластеризации К-средних
↗
4.
Кластеризация К-средних - Пишем код - Часть 1
↗
5.
Кластеризация К-средних - Пишем код - Часть 2
↗
6.
Выбираем количество кластеров К - Теория
↗
7.
Выбираем количество кластеров К - Пишем код в Python
↗
8.
Квантование цветов - Теория
↗
9.
Квантование цветов - Пишем код в Python
↗
10.
Проверочные упражнения по кластеризации К-средних
↗
11.
Решения для проверочных упражнений - Часть 1
↗
12.
Решения для проверочных упражнений - Часть 2
↗
13.
Решения для проверочных упражнений - Часть 3
↗
Иерархическая кластеризация данных
4 урока
1.
Обзор раздела про иерархическую кластеризацию
↗
2.
Теория и интуиция иерархической кластеризации
↗
3.
Иерархическая кластеризация - Пишем код, часть 1 - Данные
↗
4.
Иерархическая кластеризация - Пишем код, часть 2 - Scikit-Learn
↗
DBSCAN - Кластеризация на основе плотности данных
7 уроков
1.
Обзор раздела про кластеризацию DBSCAN
↗
2.
Теория алгоритма DBSCAN
↗
3.
Сравниваем DBSCAN и K-Means Clustering
↗
4.
Ключевые гиперпараметры DBSCAN - Теория
↗
5.
Ключевые гиперпараметры DBSCAN - код в Python
↗
6.
Проверочные упражнения по DBSCAN
↗
7.
Решения для проверочных упражнений по DBSCAN
↗
Метод главных компонент (PCA - Principal Component Analysis)
7 уроков
1.
Обзор раздела про метод главных компонент
↗
2.
Теория метода главных компонент - Часть 1 - История и интуиция
↗
3.
Теория метода главных компонент - Часть 2 - Математика
↗
4.
Реализация метода главных компонент вручную
↗
5.
Метод главных компонент в Scikit-Learn
↗
6.
Проверочные упражнения по методу главных компонент
↗
7.
Решения для проверочных упражнений по методу главных компонент
↗
Резюме курса
3 урока
1.
Пройдите короткий тест
↗
2.
Резюме курса
↗
3.
Финальные шаги
↗