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

Машинное обучение 4.927

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 53 111
Сертификаты, выданные на курсе «Машинное обучение»Сертификатов выдано 8 809
Отзывы о курсе «Машинное обучение»Отзывов получено 827
Рейтинг курса «Машинное обучение»Рейтинг курса 4.927
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