Курс на Stepik
Обложка курса «Машинное обучение с нуля: от регрессии до YOLO и LLM» на Stepik
Бесплатно

Машинное обучение с нуля: от регрессии до YOLO и LLM ★ 0.000

Открыть на
STEPIK.ORG

Машинное обучение с нуля и по-настоящему: от линейной регрессии и бустинга до нейросетей, трансформеров, LLM и детекторов YOLO. Каждую формулу считаем руками, пишем в коде и только потом зовём библиотеку. Математика и Python — с нуля, задачи — с дроидами, Пандорой и Хогвартсом.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM»Учеников на курсе 0
Сертификаты, выданные на курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM»Сертификатов выдано 0
Отзывы о курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM»Отзывов получено 0
Рейтинг курса «Машинное обучение с нуля: от регрессии до YOLO и LLM»Рейтинг курса 0.000
Уроки в курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM»Количество уроков 31
Тесты в курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM»Количество квизов 89
Задачи с кодом в курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM»Количество задач с кодом 21
Обновления курса «Машинное обучение с нуля: от регрессии до YOLO и LLM»Обновления курса — —
Дата публикации курса «Машинное обучение с нуля: от регрессии до YOLO и LLM»Дата публикации курса — ———
Последнее обновление курса «Машинное обучение с нуля: от регрессии до YOLO и LLM»Последнее обновление — ———

Содержание курса

Разделы в курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM» 4 раздела Уроки в курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM» 31 урок Тесты в курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM» 89 тестов Задачи в курсе «Машинное обучение с нуля: от регрессии до YOLO и LLM» 21 задача Последнее обновление курса «Машинное обучение с нуля: от регрессии до YOLO и LLM» обн. 2 ноября 2026

Модуль 1. Как учатся машины

7 уроков
1. Что такое машинное обучение ↗
2. Данные: объекты, признаки и целевая переменная ↗
3. Модель, параметры и функция потерь ↗
4. Обобщение: переобучение и утечка данных ↗
5. Кросс-валидация и baseline: как честно оценить модель ↗
6. Пайплайн решения ML-задачи: от вопроса до модели ↗
7. Конспект модуля 1 ↗

Модуль 2. Python для данных

7 уроков
1. Jupyter и Google Colab: где писать код ↗
2. NumPy: массивы, формы и срезы ↗
3. NumPy: векторизация, оси и broadcasting ↗
4. pandas: таблицы, фильтрация и пропуски ↗
5. pandas: группировка, объединение и признаки для модели ↗
6. Графики: matplotlib и seaborn для разведочного анализа ↗
7. Конспект модуля 2 ↗

Модуль 3. Линейная регрессия

9 уроков
1. Векторы и матрицы с нуля ↗
2. Линейная регрессия: модель и функция потерь ↗
3. Производная и градиент с нуля ↗
4. Метод наименьших квадратов: формула лучших весов ↗
5. Градиентный спуск: полный, стохастический, мини-батч ↗
6. Метрики регрессии под капотом: MAE, RMSE, R², MAPE ↗
7. Полиномиальные признаки и регуляризация ↗
8. Практика: цены домов Калифорнии в scikit-learn ↗
9. Конспект модуля 3 ↗

Модуль 4. Логистическая регрессия и метрики классификации

8 уроков
1. Вероятность с нуля: условная вероятность и формула Байеса ↗
2. Логистическая регрессия: от прямой к вероятности ↗
3. Функция потерь классификатора: правдоподобие и log-loss ↗
4. Много классов: one-vs-rest, softmax и кросс-энтропия ↗
5. Матрица ошибок, precision, recall и F1 ↗
6. ROC-AUC, PR-AUC, дисбаланс классов и калибровка ↗
7. Практика: классификация опухолей и выбор порога ↗
8. Конспект модуля 4 ↗