Курс на Stepik
Обложка курса «Машинное обучение» на Stepik
Бесплатно

Машинное обучение ★ 4.928

Открыть на
STEPIK.ORG

Слушатели курса узнают, как выглядят большие данные, научатся их обрабатывать: восстанавливать пропущенные значения, удалять аномалии, предсказывать значения признаков. Также слушатели научатся анализировать модели искусственного интеллекта, находить их сильные и слабые стороны, аргументировать свою точку зрения в вопросах, связанных с ИИ. В ходе обучения будут рассмотрены классические модели анализа данных, которые во многих случаях по-прежнему являются эффективными и (что важно) интерпретируемые.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Машинное обучение»Учеников на курсе 53 826
Сертификаты, выданные на курсе «Машинное обучение»Сертификатов выдано 8 926
Отзывы о курсе «Машинное обучение»Отзывов получено 829
Рейтинг курса «Машинное обучение»Рейтинг курса 4.928
Уроки в курсе «Машинное обучение»Количество уроков 72
Тесты в курсе «Машинное обучение»Количество квизов 68
Время прохождения курса «Машинное обучение»Время прохождения курса —
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» 12 разделов Уроки в курсе «Машинное обучение» 72 урока Тесты в курсе «Машинное обучение» 68 тестов Время прохождения курса «Машинное обучение» 9 ч. Последнее обновление курса «Машинное обучение» обн. 30 марта 2026

Введение в машинное обучение и основные понятия статистики

5 уроков
1. Задачи и модели машинного обучения ↗
2. Представление данных для машинного обучения. Признаки объектов ↗
3. Основные понятия математической статистики ↗
4. Тест ↗
5. Практическое задание ↗

Восстановление пропущенных значений

6 уроков
1. Постановка проблемы и простейшие способы ее решения ↗
2. Замечание об использовании метрики ↗
3. Использование коэффициента корреляции для восстановления данных ↗
4. Применение метрик и КК в рекомендательных системах ↗
5. Тест ↗
6. Практическое задание ↗

Поиск выбросов и аномалий

7 уроков
1. Постановка проблемы ↗
2. Методы, анализирующие признаки по отдельности ↗
3. Критерий Шовене (Chauvenet) ↗
4. Поиск выбросов без использования среднего и отклонения ↗
5. Методы, анализирующие несколько признаков ↗
6. Тест ↗
7. Практическое задание ↗

Кластеризация

8 уроков
1. Постановка задачи кластеризации ↗
2. Кластеризация с помощью графов ↗
3. Алгоритм FOREL (формальный элемент) ↗
4. Алгоритм k-means (k - средних) ↗
5. Выбор оптимального числа кластеров ↗
6. Кластеризация по столбцам ↗
7. Тест ↗
8. Практическое задание ↗

Задача предсказания, линейная регрессия

7 уроков
1. Постановка задачи предсказания ↗
2. План решения задачи регрессии ↗
3. Построение модели линейной регрессии ↗
4. Проблемы модели линейной регрессии ↗
5. Полиномиальная регрессия ↗
6. Тест ↗
7. Практическое задание ↗

Классификация, kNN, кросс-валидация

5 уроков
1. План решения задачи классификации ↗
2. Метод k ближайших соседей (kNN) ↗
3. Методы выбора оптимальных параметров алгоритма. Кросс-валидация ↗
4. Тест ↗
5. Практическое задание ↗

Деревья в машинном обучении

6 уроков
1. Основные понятия ↗
2. Неопределенность Джини. Построение дерева с его помощью ↗
3. Поиск выбросов с помощью дерева (изолирующий лес) ↗
4. Случайный лес (Random forest) ↗
5. Тест ↗
6. Практическое задание ↗

Линейные классификаторы (ЛК)

8 уроков
1. Принцип классификации. Общая схема построения ЛК ↗
2. Пример построения линейного классификатора ↗
3. Нахождение минимума функции с помощью градиентного спуска ↗
4. Трюк с ядром ↗
5. Метод опорных векторов (support vector machine, SVM) ↗
6. Нейронные сети (как композиция линейных классификаторов) ↗
7. Тест ↗
8. Практическое задание ↗

Вероятностные алгоритмы. Наивный Байес

6 уроков
1. Что такое вероятностные алгоритмы? ↗
2. Повторим школьную теорию вероятностей ↗
3. Наивный Байес ↗
4. Показатели качества алгоритма, выдающего вероятности ↗
5. Тест ↗
6. Практическое задание ↗

Ансамбли алгоритмов

5 уроков
1. Голосование по большинству (комитет) ↗
2. Взвешенное голосование AdaBoost ↗
3. Градиентный бустинг ↗
4. Тест ↗
5. Практическое задание ↗

Отбор признаков (feature selection) и объектов

7 уроков
1. Мотивация и простые способы отбора признаков ↗
2. Отбор признаков в несколько итераций ↗
3. Синтез новых признаков. Метод главных компонент ↗
4. Синтез новых объектов ↗
5. Проклятие размерности ↗
6. Тест ↗
7. Практическое задание ↗

Конспекты лекций и практика по программированию

3 урока
1. Конспекты лекций ↗
2. Задания по программированию ↗
3. Опрос слушателей курса ↗