Курс на Stepik
Обложка курса «Машинное обучение с нуля на Python: scikit-learn, XGBoost +» на Stepik
1 690 ₽

Машинное обучение с нуля на Python: scikit-learn, XGBoost + ★ 4.714

Открыть на
STEPIK.ORG

🔥Подробное изучение ключевых (базовых и продвинутых) алгоритмов машинного обучения с использованием библиотек scikit-learn, XGBoost, CatBoost, LightGBM и не только. Курс полностью текстовый, включает теорию и практику.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Учеников на курсе 254
Сертификаты, выданные на курсе «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Сертификатов выдано 43
Отзывы о курсе «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Отзывов получено 14
Рейтинг курса «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Рейтинг курса 4.714
Уроки в курсе «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Количество уроков 41
Тесты в курсе «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Количество квизов 90
Время прохождения курса «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Время прохождения курса —
Стоимость курса «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Стоимость курса 1 690 ₽ —
Обновления курса «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Обновления курса — —
Дата публикации курса «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Дата публикации курса — ———
Последнее обновление курса «Машинное обучение с нуля на Python: scikit-learn, XGBoost +»Последнее обновление — ———
Сложность easy — ———

Чему вы научитесь

  • Понимать базовые концепции машинного обучения
  • Применять линейную регрессию для предсказания
  • Использовать логистическую регрессию для классификации
  • Строить модели методом K-ближайших соседей
  • Применять метод опорных векторов (SVM) для классификации
  • Обрабатывать и заполнять пропущенные значения в данных
  • Понимать и применять методы регуляризации
  • Оптимизировать модели через минимизацию функции потерь
  • Использовать случайный лес для предсказаний
  • Обучать модели градиентного бустинга
  • Применять методы уменьшения размерности данных
  • Проводить тестирование моделей
  • Понимать и использовать ансамблевые методы
  • Оценивать модели по качеству работы

О курсе

🔥Подробное изучение ключевых (базовых и продвинутых) алгоритмов машинного обучения с использованием библиотек scikit-learn, XGBoost, CatBoost, LightGBM и не только. Курс полностью текстовый, включает теорию и практику.

Для кого этот курс

Для студентов, изучающих основы машинного обучения Для разработчиков, желающих освоить машинное обучение Для исследователей, работающих с большими данными Для бизнес-аналитиков, стремящихся улучшить свои навыки прогнозирования Для специалистов по маркетингу, желающих использовать модели предсказания Для всех, кто хочет научиться строить модели на основе данных

Начальные требования

Знание Python

Знание школьного математического анализа

Рекомендуется, но не обязательно знание библиотеки pandas

Изучение pandas: https://stepik.org/course/213523/

Преподаватели курса

Аватар Хакадемия 🧐
Хакадемия 🧐
Автор - Николай Сергеев, инженер машинного обучения с 10 годами опыта
★ 4.5
15 курсов 1 862
→ Аватар Валерий Никаноров
Валерий Никаноров
Работаю Data Scientist'ом. Увлекаюсь машинным обучением и нейронными сетями! В качестве хобби делаю курсы.
★ 4.7
6 курсов 467
→

Как проходит обучение

Онлайн формат: Вы получаете доступ к урокам в удобное для вас время, что позволяет учиться в собственном темпе.

Тесты: Для самопроверки предусмотрены тесты, которые позволят оценить ваше понимание теоретического материала.

Автоматические проверки: Выполняя задания, вы сразу увидите результат работы и сможете проверить свои ответы.

Сертификат курса Машинное обучение с нуля на Python: scikit-learn, XGBoost +

Сертификат

Успешно завершив курс, вы получите сертификат от платформы Stepik. Уже 43 учеников получили сертификат.

Что вы получите

  • Диплом
  • Практические навыки построения, оптимизации и оценки моделей машинного обучения.
  • Умение использовать библиотеки Scikit-learn, XGBoost, LightGBM, CatBoost.
  • Знания, необходимые для работы с реальными данными и их подготовки.

Нагрузка

4-5 часов в неделю

Расскажите о курсе друзьям