Курс на Stepik
Обложка курса «Машинное обучение с учителем для аналитиков и Data Scientist» на Stepik
999 ₽

Машинное обучение с учителем для аналитиков и Data Scientist 0.000

Открыть на
STEPIK.ORG

Курс машинного обучения с учителем (supervised learning) на Python с нуля для аналитиков данных и будущих Data Scientist: pandas и numpy, EDA и предобработка, линейная и логистическая регрессия, деревья, случайный лес и градиентный бустинг (XGBoost, LightGBM, CatBoost), kNN, наивный Байес, SVM, кросс-валидация и подбор гиперпараметров (Grid/Random/Optuna), временные ряды как регрессия, метрики качества и ООП-estimator в стиле scikit-learn. Всё на пальцах: аналогия, картинка, формула по буквам, код и практика в браузере с автопроверкой.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Машинное обучение с учителем для аналитиков и Data Scientist»Учеников на курсе 14
Сертификаты, выданные на курсе «Машинное обучение с учителем для аналитиков и Data Scientist»Сертификатов выдано 1
Отзывы о курсе «Машинное обучение с учителем для аналитиков и Data Scientist»Отзывов получено 0
Рейтинг курса «Машинное обучение с учителем для аналитиков и Data Scientist»Рейтинг курса 0.000
Уроки в курсе «Машинное обучение с учителем для аналитиков и Data Scientist»Количество уроков 52
Тесты в курсе «Машинное обучение с учителем для аналитиков и Data Scientist»Количество квизов 335
Задачи с кодом в курсе «Машинное обучение с учителем для аналитиков и Data Scientist»Количество задач с кодом 273
Время прохождения курса «Машинное обучение с учителем для аналитиков и Data Scientist»Время прохождения курса
Стоимость курса «Машинное обучение с учителем для аналитиков и Data Scientist»Стоимость курса 999 ₽
Обновления курса «Машинное обучение с учителем для аналитиков и Data Scientist»Обновления курса
Дата публикации курса «Машинное обучение с учителем для аналитиков и Data Scientist»Дата публикации курса
Последнее обновление курса «Машинное обучение с учителем для аналитиков и Data Scientist»Последнее обновление

Содержание курса

Разделы в курсе «Машинное обучение с учителем для аналитиков и Data Scientist» 16 разделов Уроки в курсе «Машинное обучение с учителем для аналитиков и Data Scientist» 52 урока Тесты в курсе «Машинное обучение с учителем для аналитиков и Data Scientist» 335 тестов Задачи в курсе «Машинное обучение с учителем для аналитиков и Data Scientist» 273 задачи Время прохождения курса «Машинное обучение с учителем для аналитиков и Data Scientist» 0 ч. Последнее обновление курса «Машинное обучение с учителем для аналитиков и Data Scientist» обн. 19 июля 2026

Что такое машинное обучение: первые шаги

3 урока
1. Машинное обучение простыми словами
2. Регрессия и классификация: две главные задачи ML
3. Как модель учится: данные, ошибка, обучение

Python для ML: numpy и pandas для аналитика

2 урока
1. numpy: вычисления на массивах
2. pandas: таблицы, группировки, пропуски

Откуда берутся данные: EDA, предобработка, feature engineering

3 урока
1. Разведка данных: статистики, выбросы, корреляции
2. Предобработка и создание признаков
3. Продвинутый feature engineering: бины, даты, кодирование, утечки

Математика для машинного обучения простыми словами

3 урока
1. Векторы и матрицы: как модели видят данные
2. Функция ошибки: MSE и MAE на пальцах
3. Производная и градиентный спуск без боли

Линейная регрессия с нуля

3 урока
1. Линейная регрессия: первая модель машинного обучения
2. Градиентный спуск своими руками на Python
3. Линейная регрессия в scikit-learn и метрики качества

Классификация и логистическая регрессия

3 урока
1. Логистическая регрессия и сигмоида
2. Метрики классификации: precision, recall и F1
3. ROC-кривая, AUC и выбор порога

Деревья решений, случайный лес и градиентный бустинг

4 урока
1. Решающее дерево: как работает и где ломается
2. Случайный лес (Random Forest): мудрость толпы
3. Градиентный бустинг: XGBoost, LightGBM, CatBoost
4. Ансамбли: как объединять модели

kNN, наивный Байес и SVM: классические алгоритмы классификации

3 урока
1. Метод k ближайших соседей (kNN) на Python
2. Наивный Байес: классификация по вероятностям
3. SVM и выбор алгоритма: итоговая карта классификации

Валидация моделей и борьба с переобучением

4 урока
1. Переобучение и train test split
2. Кросс-валидация на Python
3. Подготовка признаков: масштабирование и кодирование
4. Регуляризация L1 и L2 + подбор гиперпараметров

Подбор гиперпараметров: Grid, Random и Optuna

2 урока
1. Гиперпараметры и честный подбор
2. Перебор: Grid, Random, Optuna

Важные темы: bias-variance, мультикласс, дисбаланс, пайплайны

5 уроков
1. Bias и variance: единый язык про недо- и переобучение
2. Мультикласс: когда классов больше двух
3. Дисбаланс классов: что с ним делать
4. Подготовка данных и пайплайны: как у профессионалов
5. Как связать ML с бизнесом: метрики, деньги, решения

Временные ряды как регрессия

2 урока
1. Прогноз во времени = регрессия
2. Лаги, скользящее среднее, утечка времени

ООП в Python кратко: свой estimator

2 урока
1. Класс, объект, метод
2. Наследование и свой estimator

Продвинутые задачи: регрессия, классификация и валидация

3 урока
1. Регрессия от данных до метрики
2. Классификация: выжимаем максимум
3. Валидация без самообмана

Итоговый проект: предсказание цены квартиры

6 уроков
1. Постановка задачи и разведка данных на Python
2. Бейзлайн и обучение модели регрессии
3. Улучшение модели и итоги: чеклист ML-проекта
4. Множественная регрессия, метрики и кросс-валидация
5. Итоговый экзамен по машинному обучению
6. Взрослый пайплайн: ловушки и продакшен-решения

Шпаргалка: основные паттерны машинного обучения

4 урока
1. Карта алгоритмов: какой и когда применять
2. Карта метрик: что измерять под задачу
3. Сквозной паттерн ML-проекта и анти-паттерны
4. Что дальше: подготовка к собеседованиям и практика