Сколько стоит курс «Машинное обучение»?

Курс «Машинное обучение» доступен бесплатно.

Сколько времени занимает прохождение курса «Машинное обучение»?

Прохождение курса «Машинное обучение» занимает примерно 9 часов.

Какой рейтинг у курса «Машинное обучение»?

Курс имеет рейтинг 4.9 из 5 на основе 809 отзывов. На курсе обучается 51 951 учеников.

Выдаётся ли сертификат по окончании курса?

Да, при успешном завершении курса выдаётся сертификат от платформы Stepik. На данный момент 8 472 учеников получили сертификат (16.3% завершаемость).

Где можно пройти курс «Машинное обучение»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/8057.

Курс на Stepik

Обложка курса «Машинное обучение» на Stepik

Бесплатно

Машинное обучение ★ 4.930

Name: Машинное обучение
Availability: InStock
Rating: 4.93 (809 reviews)

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
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	51 951
Сертификатов выдано	8 472
Отзывов получено	809
Рейтинг курса	4.930
Количество уроков	73
Количество квизов	68
Время прохождения курса	9 ч.	—
Обновления курса	—	—
Дата публикации курса	7 лет назад	—	—	—	—
Последнее обновление	30 марта 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание курса

12 разделов Уроки в курсе «Машинное обучение»

73 урока Тесты в курсе «Машинное обучение»

68 тестов Время прохождения курса «Машинное обучение»

9 ч.

обн. 30 марта 2026

1. Введение в машинное обучение и основные понятия статистики

5 уроков

Закрытый

1.1 Задачи и модели машинного обучения ↗

51 184

26 384

14м 58с

906

Закрытый

1.2 Представление данных для машинного обучения. Признаки объектов ↗

26 955

6м 28с

508

Закрытый

1.3 Основные понятия математической статистики ↗

24 429

20 209

14м 51с

677

Закрытый

1.4 Тест ↗

23 125

18 360

3м 54с

203

Закрытый

1.5 Практическое задание ↗

21 395

17 052

4м 45с

149

2. Восстановление пропущенных значений

6 уроков

Закрытый

2.1 Постановка проблемы и простейшие способы ее решения ↗

20 051

16 469

19м 38с

571

Закрытый

2.2 Замечание об использовании метрики ↗

16 745

7м 36с

334

Закрытый

2.3 Использование коэффициента корреляции для восстановления данных ↗

15 796

4м 28с

302

Закрытый

2.4 Применение метрик и КК в рекомендательных системах ↗

15 245

6м 9с

286

Закрытый

2.5 Тест ↗

15 879

11 299

14м 33с

211

Закрытый

2.6 Практическое задание ↗

14 426

11 001

2м 18с

114

3. Поиск выбросов и аномалий

7 уроков

Закрытый

3.1 Постановка проблемы ↗

13 328

12 081

9м 20с

321

Закрытый

3.2 Методы, анализирующие признаки по отдельности ↗

12 356

5м 32с

210

Закрытый

3.3 Критерий Шовене (Chauvenet) ↗

12 189

7м 55с

233

Закрытый

3.4 Поиск выбросов без использования среднего и отклонения ↗

11 712

5м 44с

230

Закрытый

3.5 Методы, анализирующие несколько признаков ↗

11 530

8м 17с

237

Закрытый

3.6 Тест ↗

12 168

9 946

7м 35с

144

Закрытый

3.7 Практическое задание ↗

11 675

9 485

4м 28с

109

4. Кластеризация

8 уроков

Закрытый

4.1 Постановка задачи кластеризации ↗

11 693

10 686

6м 39с

258

Закрытый

4.2 Кластеризация с помощью графов ↗

10 904

7м 32с

202

Закрытый

4.3 Алгоритм FOREL (формальный элемент) ↗

10 779

7м 7с

214

Закрытый

4.4 Алгоритм k-means (k - средних) ↗

10 776

5м 23с

199

Закрытый

4.5 Выбор оптимального числа кластеров ↗

10 282

4м 47с

183

Закрытый

4.6 Кластеризация по столбцам ↗

10 187

2м 28с

158

Закрытый

4.7 Тест ↗

11 005

9 044

7м 54с

135

Закрытый

4.8 Практическое задание ↗

10 703

8 918

3м 32с

5. Задача предсказания, линейная регрессия

7 уроков

Закрытый

5.1 Постановка задачи предсказания ↗

10 817

9 915

6м 33с

264

Закрытый

5.2 План решения задачи регрессии ↗

10 145

11м 54с

226

Закрытый

5.3 Построение модели линейной регрессии ↗

10 022

8м 1с

217

Закрытый

5.4 Проблемы модели линейной регрессии ↗

9 662

8 930

16м 49с

231

Закрытый

5.5 Полиномиальная регрессия ↗

9 430

4м 42с

141

Закрытый

5.6 Тест ↗

10 123

8 096

8м 24с

116

Закрытый

5.7 Практическое задание ↗

9 761

7 447

4м 41с

6. Классификация, kNN, кросс-валидация

5 уроков

Закрытый

6.1 План решения задачи классификации ↗

9 525

8 395

18м 4с

240

Закрытый

6.2 Метод k ближайших соседей (kNN) ↗

9 040

9м 24с

165

Закрытый

6.3 Методы выбора оптимальных параметров алгоритма. Кросс-валидация ↗

8 753

4м 2с

130

Закрытый

6.4 Тест ↗

9 332

7 788

6м 34с

117

Закрытый

6.5 Практическое задание ↗

9 033

7 782

2м 49с

7. Деревья в машинном обучении

6 уроков

Закрытый

7.1 Основные понятия ↗

9 060

8 364

8м 12с

185

Закрытый

7.2 Неопределенность Джини. Построение дерева с его помощью ↗

8 677

18м 39с

211

Закрытый

7.3 Поиск выбросов с помощью дерева (изолирующий лес) ↗

8 294

5м 24с

119

Закрытый

7.4 Случайный лес (Random forest) ↗

8 405

3м 18с

117

Закрытый

7.5 Тест ↗

8 982

7 977

2м 10с

Закрытый

7.6 Практическое задание ↗

8 780

7 267

2м 2с

8. Линейные классификаторы (ЛК)

8 уроков

Закрытый

8.1 Принцип классификации. Общая схема построения ЛК ↗

8 466

7 829

11м 53с

175

Закрытый

8.2 Пример построения линейного классификатора ↗

7 877

8м 2с

155

Закрытый

8.3 Нахождение минимума функции с помощью градиентного спуска ↗

7 966

11м 1с

168

Закрытый

8.4 Трюк с ядром ↗

7 795

5м 35с

137

Закрытый

8.5 Метод опорных векторов (support vector machine, SVM) ↗

7 800

4м 0с

116

Закрытый

8.6 Нейронные сети (как композиция линейных классификаторов) ↗

7 843

10м 15с

153

Закрытый

8.7 Тест ↗

8 338

6 840

4м 21с

107

Закрытый

8.8 Практическое задание ↗

8 031

6 519

1м 6с

9. Вероятностные алгоритмы. Наивный Байес

6 уроков

Закрытый

9.1 Что такое вероятностные алгоритмы? ↗

7 889

7 357

9м 59с

175

Закрытый

9.2 Повторим школьную теорию вероятностей ↗

7 440

7 056

20м 49с

198

Закрытый

9.3 Наивный Байес ↗

7 585

6 976

19м 57с

170

Закрытый

9.4 Показатели качества алгоритма, выдающего вероятности ↗

7 244

12м 42с

148

Закрытый

9.5 Тест ↗

7 871

6 567

6м 49с

109

Закрытый

9.6 Практическое задание ↗

7 553

6 343

1м 59с

10. Ансамбли алгоритмов

5 уроков

Закрытый

10.1 Голосование по большинству (комитет) ↗

7 500

6 771

15м 24с

179

Закрытый

10.2 Взвешенное голосование AdaBoost ↗

7 048

6 624

14м 34с

128

Закрытый

10.3 Градиентный бустинг ↗

7 264

6 603

23м 16с

160

Закрытый

10.4 Тест ↗

7 610

6 319

2м 17с

Закрытый

10.5 Практическое задание ↗

7 396

6 378

1м 51с

11. Отбор признаков (feature selection) и объектов

7 уроков

Закрытый

11.1 Мотивация и простые способы отбора признаков ↗

7 378

6 679

6м 7с

136

Закрытый

11.2 Отбор признаков в несколько итераций ↗

6 884

6 432

12м 11с

146

Закрытый

11.3 Синтез новых признаков. Метод главных компонент ↗

6 765

6м 0с

118

Закрытый

11.4 Синтез новых объектов ↗

6 713

8м 4с

113

Закрытый

11.5 Проклятие размерности ↗

6 845

6м 37с

129

Закрытый

11.6 Тест ↗

7 626

5 865

3м 15с

Закрытый

11.7 Практическое задание ↗

7 646

6 111

1м 47с

12. Конспекты лекций и практика по программированию

3 урока

Открытый

12.1 Конспекты лекций ↗

13 274

5 065

0м 20с

149

Открытый

12.2 Задания по программированию ↗

8 771

0м 7с

Открытый

12.3 Опрос слушателей курса ↗

8 620

0м 7с