Чему вы научитесь
- Отличать машинное обучение от программирования и понимать, где ML даёт выигрыш.
- Формулировать ML‑задачу: входы, цель, ограничения и критерии качества.
- Понимать роль данных, признаков и целевой переменной в обучении модели.
- Объяснять переобучение, утечки данных и причины «внезапных» провалов качества.
- Выбирать метрики под задачу и понимать компромиссы между ошибками.
- Сравнивать семейства моделей на уровне интуиции: простые и сложные.
- Планировать внедрение: baseline, мониторинг, дрейф данных и ответственность.
О курсе
Интуитивный курс о том, как работает ML: от данных и цели обучения до ошибок, метрик и внедрения в продукт.
Для кого этот курс
Новички в ML, разработчики, аналитики и менеджеры в IT, которым нужно понимать, что именно делает модель, почему она ошибается и как правильно ставить задачи. Уровень: базовый, без требований к математике.
Начальные требования
Достаточно общей компьютерной грамотности и интереса к теме. Полезно иметь опыт работы с продуктами или данными, но это не обязательно. Весь материал построен на примерах и логике, без кода.
Преподаватели курса
124
Как проходит обучение
Учитесь в своём темпе: читаете материал, закрепляете понимание квизом и постепенно собираете целостную картину того, как ML обучается и применяется.
Формат курса
Короткие теоретические шаги с одной учебной целью, примеры и интерактивные квизы Stepik в конце каждого урока.
Что вы получите
- Шаблон постановки ML‑задачи: цель, данные, метрики, ограничения и риски.
- Чек‑лист качества данных: типовые ошибки, утечки и смещения.
- Шпаргалка по метрикам: какие метрики подходят под разные сценарии.
- Мини‑план внедрения: baseline, тестирование, мониторинг и обновления.
Нагрузка
2–4 часа в неделю, всего 10–14 часов.