Курс на Stepik
Обложка курса «Машинное обучение» на Stepik
2 000 ₽

Машинное обучение ★ 5.000

Открыть на
STEPIK.ORG

Полный базовый курс по машинному обучению. Вы разберетесь, что такое машинное обучение и какие задачи с его помощью можно и нужно решать, изучите все основные алгоритмы и модели и научитесь применять их на практике

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Машинное обучение»Учеников на курсе 399
Сертификаты, выданные на курсе «Машинное обучение»Сертификатов выдано 0
Отзывы о курсе «Машинное обучение»Отзывов получено 8
Рейтинг курса «Машинное обучение»Рейтинг курса 5.000
Уроки в курсе «Машинное обучение»Количество уроков 68
Тесты в курсе «Машинное обучение»Количество квизов 190
Задачи с кодом в курсе «Машинное обучение»Количество задач с кодом 1
Время прохождения курса «Машинное обучение»Время прохождения курса —
Стоимость курса «Машинное обучение»Стоимость курса 2 000 ₽ —
Обновления курса «Машинное обучение»Обновления курса — —
Дата публикации курса «Машинное обучение»Дата публикации курса — ———
Последнее обновление курса «Машинное обучение»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Машинное обучение» 14 разделов Уроки в курсе «Машинное обучение» 68 уроков Тесты в курсе «Машинное обучение» 190 тестов Задачи в курсе «Машинное обучение» 1 задача Время прохождения курса «Машинное обучение» 5 ч. Последнее обновление курса «Машинное обучение» обн. 17 сентября 2026

Введение

5 уроков
1. О курсе ↗
2. История машинного обучения ↗
3. Задачи, которые решает ML ↗
4. Базовые средства и инструменты разработки ↗
5. Глоссарий ↗

Разведочный анализ данных

11 уроков
1. Сбор, хранение и обработка данных ↗
2. Базовый анализ данных ↗
3. Заполнение пропусков ↗
4. Однофакторный анализ ↗
5. Двухфакторный анализ ↗
6. Многомерный анализ ↗
7. Обработка выбросов ↗
8. Исследование целевой переменной ↗
9. Инструменты быстрого анализа ↗
10. Практическое задание. Часть 1 ↗
11. Практическое задание. Часть 2 ↗

Линейная регрессия

5 уроков
1. Постановка задачи ↗
2. Функции потерь и метрики качества ↗
3. Аналитическое решение ↗
4. Реализация на Python ↗
5. Переобучение и регуляризация ↗

Градиентный спуск

3 урока
1. Задача оптимизации ↗
2. Градиентный спуск ↗
3. Модификации градиентного спуска ↗

Конструирование признаков

2 урока
1. Кодирование категориальных признаков ↗
2. Feature Engineering ↗

Классификация

6 уроков
1. Постановка задачи ↗
2. Бинарная классификация ↗
3. Многоклассовая классификация ↗
4. Multi-label классификация ↗
5. Нелинейные методы классификации ↗
6. Метрики качества классификации ↗

Деревья решений

4 урока
1. Концепция метода ↗
2. Критерии информативности ↗
3. Критерии останова ↗
4. Стрижка дерева ↗

Ансамблевые методы

4 урока
1. Концепция метода ↗
2. Разложение ошибки ↗
3. Случайный лес ↗
4. Бэггинг ↗

Градиентный бустинг

4 урока
1. Концепция метода ↗
2. XGBoost ↗
3. CatBoost ↗
4. LightGBM ↗

Обучение без учителя

6 уроков
1. Методы обучения без учителя ↗
2. Кластеризация ↗
3. Метрики качества ↗
4. K-means ↗
5. Иерархическая кластеризация ↗
6. DBSCAN и HDBSCAN ↗

Понижение размерности

5 уроков
1. Постановка задачи ↗
2. Отбор и извлечение признаков ↗
3. PCA ↗
4. SVD ↗
5. Визуализация данных ↗

Итоговый проект

1 урок
1. Описание проекта ↗

Подготовка к собеседованиям

1 урок
1. Подготовка к собеседованиям ↗

Жизнь послe Jupyter

2 урока
1. Переходим к MLOps ↗
2. Добавляем Airflow ↗