Содержание курса
14
разделов
65
уроков
141
тест
4 ч.
обн. 18 мая 2026
1. Введение
5 уроков
858
713
19м
0
Закрытый
1.1
О курсе
↗
359
359
1м 41с
0
Закрытый
1.2
История машинного обучения
↗
185
99
4м 48с
0
Закрытый
1.3
Задачи, которые решает ML
↗
117
88
7м 11с
0
Закрытый
1.4
Базовые средства и инструменты разработки
↗
98
85
7м 55с
0
Закрытый
1.5
Глоссарий
↗
99
82
1м 52с
0
2. Разведочный анализ данных
11 уроков
393
305
132м
0
Закрытый
2.1
Сбор, хранение и обработка данных
↗
59
44
10м 26с
0
Закрытый
2.2
Базовый анализ данных
↗
48
40
4м 21с
0
Закрытый
2.3
Заполнение пропусков
↗
42
35
8м 3с
0
Закрытый
2.4
Однофакторный анализ
↗
37
29
4м 18с
0
Закрытый
2.5
Двухфакторный анализ
↗
30
27
6м 40с
0
Закрытый
2.6
Многомерный анализ
↗
28
26
4м 26с
0
Закрытый
2.7
Обработка выбросов
↗
31
26
3м 27с
0
Закрытый
2.8
Исследование целевой переменной
↗
31
27
3м 59с
0
Закрытый
2.9
Инструменты быстрого анализа
↗
29
27
2м 15с
0
Закрытый
2.10
Практическое задание. Часть 1
↗
31
13
68м 45с
0
Закрытый
2.11
Практическое задание. Часть 2
↗
27
11
18м 51с
0
3. Линейная регрессия
5 уроков
64
44
6м
0
Закрытый
3.1
Постановка задачи
↗
20
10
1м 32с
0
Закрытый
3.2
Функции потерь и метрики качества
↗
13
8
1м 52с
0
Закрытый
3.3
Аналитическое решение
↗
10
10
3м 32с
0
Закрытый
3.4
Реализация на Python
↗
10
9
0м 26с
0
Закрытый
3.5
Переобучение и регуляризация
↗
11
7
1м 8с
0
4. Градиентный спуск
3 урока
2
2
0м
0
Закрытый
4.1
Задача оптимизации
↗
2
2
-
0
Закрытый
4.2
Градиентный спуск
↗
0
0
-
0
Закрытый
4.3
Модификации градиентного спуска
↗
0
0
-
0
5. Конструирование признаков
2 урока
1
1
0м
0
Закрытый
5.1
Кодирование категориальных признаков
↗
1
1
-
0
Закрытый
5.2
Feature Engineering
↗
0
0
-
0
6. Классификация
6 уроков
2
2
0м
0
Закрытый
6.1
Постановка задачи
↗
2
2
-
0
Закрытый
6.2
Бинарная классификация
↗
0
0
-
0
Закрытый
6.3
Многоклассовая классификация
↗
0
0
-
0
Закрытый
6.4
Multi-label классификация
↗
0
0
-
0
Закрытый
6.5
Нелинейные методы классификации
↗
0
0
-
0
Закрытый
6.6
Метрики качества классификации
↗
0
0
-
0
7. Деревья решений
4 урока
0
0
0м
0
Закрытый
7.1
Концепция метода
↗
0
0
-
0
Закрытый
7.2
Критерии информативности
↗
0
0
-
0
Закрытый
7.3
Критерии останова
↗
0
0
-
0
Закрытый
7.4
Стрижка дерева
↗
0
0
-
0
8. Ансамблевые методы
4 урока
1
1
0м
0
Закрытый
8.1
Концепция метода
↗
1
1
-
0
Закрытый
8.2
Разложение ошибки
↗
0
0
-
0
Закрытый
8.3
Случайный лес
↗
0
0
-
0
Закрытый
8.4
Бэггинг
↗
0
0
-
0
9. Градиентный бустинг
4 урока
0
0
0м
0
Закрытый
9.1
Концепция метода
↗
0
0
-
0
Закрытый
9.2
XGBoost
↗
0
0
-
0
Закрытый
9.3
CatBoost
↗
0
0
-
0
Закрытый
9.4
LightGBM
↗
0
0
-
0
10. Обучение без учителя
6 уроков
6
6
0м
0
Закрытый
10.1
Методы обучения без учителя
↗
1
1
-
0
Закрытый
10.2
Кластеризация
↗
1
1
-
0
Закрытый
10.3
Метрики качества
↗
1
1
-
0
Закрытый
10.4
K-means
↗
1
1
-
0
Закрытый
10.5
Иерархическая кластеризация
↗
1
1
-
0
Закрытый
10.6
DBSCAN и HDBSCAN
↗
1
1
-
0
11. Понижение размерности
5 уроков
5
5
0м
0
Закрытый
11.1
Постановка задачи
↗
1
1
-
0
Закрытый
11.2
Отбор и извлечение признаков
↗
1
1
-
0
Закрытый
11.3
PCA
↗
1
1
-
0
Закрытый
11.4
SVD
↗
1
1
-
0
Закрытый
11.5
Визуализация данных
↗
1
1
-
0
12. Итоговый проект
1 урок
0
0
0м
0
Закрытый
12.1
Описание проекта
↗
0
0
-
0
13. Подготовка к собеседованиям
1 урок
1
1
0м
0
Закрытый
13.1
Подготовка к собеседованиям
↗
1
1
-
0
14. Жизнь послe Jupyter
2 урока
48
19
16м
0
Закрытый
14.1
Переходим к MLOps
↗
28
10
7м 15с
0
Закрытый
14.2
Добавляем Airflow
↗
20
9
9м 11с
0