Чему вы научитесь
- Разделять данные на train, validation и test без утечки
- Отличать классификацию от регрессии и выбирать baseline
- Выбирать метрику качества под бизнес-ошибку
- Замечать target leakage и другие утечки признаков
- Контролировать переобучение через регуляризацию
- Оценивать модель кросс-валидацией
- Подбирать гиперпараметры, не заглядывая в тестовую выборку
О курсе
Машинное обучение с учителем: классификация и регрессия, метрики качества, регуляризация и кросс-валидация. Практика на Python для аналитиков и Data Scientist: разделение выборки, поиск утечек и подбор гиперпараметров.
Для кого этот курс
Аналитики данных и Data Scientist — действующие и будущие, — которые хотят уверенно обучать, оценивать и улучшать модели; продуктовые и маркетинговые аналитики; студенты, разработчики и тестировщики, осваивающие machine learning на Python с нуля. Подходит и тем, кто метит в Data Science, и тем, кому классические курсы по ML кажутся слишком сложными.
Начальные требования
Базовый Python: переменные, списки, циклы, функции, ввод/вывод. Математика — школьный уровень, остальное объясняем по ходу. Знать ML заранее не нужно — начинаем с библиотек и первой модели.
Преподаватели курса
3 045
Как проходит обучение
16 модулей по нарастающей сложности: короткая теория простыми словами с понятными визуализациями → проверочные вопросы (одиночный и множественный выбор, сопоставление) → задачи на Python прямо в браузере с автопроверкой, подсказкой и эталонным решением. Внутри — сквозной проект (предсказание цены квартиры), тренажёр продвинутых задач и шпаргалки-справочники, к которым возвращаются в работе.
Сертификат
Успешно завершив курс, вы получите сертификат от платформы Stepik. Уже 1 учеников получили сертификат.
Нагрузка
60–70 часов, в своём темпе