Чему вы научитесь
Курс машинного обучения без учителя (Unsupervised Learning) на Python для начинающих
Это продолжение в духе «курса для тупых» — и это комплимент. Здесь нет готовых правильных ответов в данных: модель сама ищет структуру. Каждая идея объяснена так, чтобы её понял человек без математического образования: сначала бытовая аналогия и картинка, потом простая формула, потом код на Python.
Что внутри
| Модуль | Что освоишь |
|---|---|
| 1. Обучение без учителя | Чем оно отличается от обучения с учителем; три задачи: кластеризация, снижение размерности, поиск аномалий |
| 2. Похожесть и расстояния | Евклидово, манхэттенское и косинусное расстояние; зачем масштабировать признаки |
| 3. K-Means | Центроиды, инерция, как работает алгоритм, выбор числа кластеров методом локтя |
| 4. DBSCAN и иерархическая кластеризация | Плотностная кластеризация и шум; дендрограмма и агломерация |
| 5. Снижение размерности: PCA | Зачем сжимать признаки; дисперсия, главные компоненты, проекция |
| 6. Визуализация: t-SNE и UMAP | Как увидеть многомерные данные на плоскости и не обмануться |
| 7. Поиск аномалий | z-score, межквартильный размах, Isolation Forest, локальный фактор выброса |
| 8. Ассоциативные правила | Market Basket Analysis: support, confidence, lift и Apriori — что покупают вместе (кросс-сейл, выкладка) |
| 9. Рекомендательные системы | Коллаборативная фильтрация: косинусная похожесть пользователей и товаров — как советуют Netflix и маркетплейсы |
| 10. Итоговый проект | Сегментация клиентов магазина (RFM + K-Means) от сырых данных до выводов |
| 11. Шпаргалка-капстоун | Карта выбора метода и метрики под задачу, сквозной маршрут проекта без учителя и главные анти-паттерны |
| 12. Итоговый экзамен | 15 заданий по всему курсу: квизы, сопоставление и финальная задача на Python с проверкой |
Как устроено обучение
- Понятные визуализации и анимации — кластеры, шаги K-Means, проекция PCA, выбросы нарисованы и оживлены.
- Вопросы на понимание, а не на зубрёжку: квизы ловят типичные заблуждения и объясняют, почему ответ именно такой.
- Код для закрепления — задачи на Python (numpy, scikit-learn) решаются прямо в браузере, проверка автоматическая.
- Без учителя — но с интуицией: как оценивать кластеры, когда правильных ответов нет.
- Нарастающая сложность: от «что такое кластер» до сегментации клиентов в итоговом проекте.
Почему курс бесплатный
Автор делает курсы по Python, SQL и аналитике данных и верит, что база машинного обучения должна быть доступна каждому. Больше практических материалов по ML, SQL и аналитике — в Заскуль питона.
О курсе
Для кого этот курс
Начальные требования
Преподаватели курса
2 824
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.