Чему вы научитесь
- Понимать, чем обучение без учителя отличается от обучения с учителем
- Кластеризовать данные методами K-Means, DBSCAN и иерархической кластеризацией
- Выбирать число кластеров (метод локтя, силуэт)
- Снижать размерность данных через PCA и понимать главные компоненты
- Визуализировать многомерные данные (t-SNE/UMAP) и читать такие карты
- Находить аномалии и выбросы (z-score, IQR, Isolation Forest)
- Доводить задачу сегментации клиентов до бизнес-выводов на Python и scikit-learn
- Оценивать качество кластеров силуэтом и применять мягкую кластеризацию (GMM)
- Искать аномалии и применять ассоциативные правила (Market Basket) для аналитики
- Строить рекомендации (коллаборативная фильтрация) и оценивать их метриками (RMSE, precision@k)
- Выбирать подходящий метод и метрику под задачу и избегать типичных анти-паттернов
О курсе
Курс по машинному обучению без учителя на Python для аналитиков и Data Scientist: кластеризация (K-Means, DBSCAN, иерархическая, GMM), выбор числа кластеров по локтю и силуэту, снижение размерности (PCA, t-SNE, UMAP), поиск аномалий (z-score, IQR, Isolation Forest, LOF), ассоциативные правила и Apriori, рекомендательные системы и RFM-сегментация клиентов. 202 шага с практикой в браузере.
Для кого этот курс
Начинающие в машинном обучении и Data Science: аналитики, которые хотят находить структуру в данных без готовых меток; продуктовые и маркетинговые аналитики (сегментация клиентов); студенты; разработчики, осваивающие unsupervised machine learning на Python с нуля.
Начальные требования
Базовый Python: переменные, списки, циклы, функции, ввод и вывод. Математика — школьный уровень, остальное объясним по ходу. Знать машинное обучение заранее не нужно; если уже прошёл курс по обучению с учителем — будет проще, но не обязательно.
Преподаватели курса
2 197
Как проходит обучение
12 разделов по нарастающей сложности: 10 модулей теории и практики + капстоун-шпаргалка + итоговый экзамен. Каждый шаг — короткая теория простыми словами с картинками и анимациями → проверочные вопросы (одиночный и множественный выбор, сопоставление) → задачи на Python прямо в браузере. Ближе к финалу — сквозной проект (сегментация клиентов магазина методом K-Means от сырых данных до бизнес-выводов), затем шпаргалка-капстоун «какой метод и метрику когда выбирать» и итоговый экзамен на 15 заданий по всему курсу.
Нагрузка
12–18 часов в свободном темпе