Сколько стоит курс «Практический Machine Learning»?

Стоимость курса составляет 3900.00 рублей

Сколько времени занимает прохождение курса «Практический Machine Learning»?

Прохождение курса «Практический Machine Learning» занимает примерно 31 часов.

Какой рейтинг у курса «Практический Machine Learning»?

Курс имеет рейтинг 5.0 из 5 на основе 68 отзывов. На курсе обучается 2 778 учеников.

Выдаётся ли сертификат по окончании курса?

Да, при успешном завершении курса выдаётся сертификат от платформы Stepik. На данный момент 697 учеников получили сертификат (25.1% завершаемость).

Где можно пройти курс «Практический Machine Learning»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/125501.

Курс на Stepik

Обложка курса «Практический Machine Learning» на Stepik

3 900 ₽

Практический Machine Learning ★ 4.971

Name: Практический Machine Learning
Price: 3900.00 RUB
Availability: InStock
Rating: 4.970588235294118 (68 reviews)

Открыть на
STEPIK.ORG

В курсе изучаются классические и продвинутые алгоритмы машинного обучения, подробно разбираются математические обоснования изучаемых методов.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	2 778
Сертификатов выдано	697
Отзывов получено	68
Рейтинг курса	4.971
Количество уроков	85
Количество квизов	308
Количество задач с кодом	6
Время прохождения курса	31 ч.	—
Стоимость курса	3 900 ₽	—
Обновления курса	—	—
Дата публикации курса	4 года назад	—	—	—	—
Последнее обновление	7 октября 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание курса

Разделы в курсе «Практический Machine Learning»

19 разделов Уроки в курсе «Практический Machine Learning»

85 уроков Тесты в курсе «Практический Machine Learning»

308 тестов Задачи в курсе «Практический Machine Learning»

6 задач Время прохождения курса «Практический Machine Learning»

31 ч.

обн. 7 октября 2026

Организация курса

6 уроков

1. О курсе ↗

2. Инструменты ↗

3. Платформа Kaggle ↗

4. Обучение на GPU ↗

5. Глоссарий ↗

6. Входное тестирование по Python ↗

Знакомство с машинным обучением

7 уроков

1. Введение ↗

2. Основные понятия машинного обучения ↗

3. Типы задач в машинном обучении ↗

4. Схема проекта по машинному обучению ↗

5. Оценка обобщающей способности модели ↗

6. Разведочный анализ данных ↗

7. Домашнее задание - 1 ↗

Линейные модели регрессии

6 уроков

1. Основы линейной регрессии ↗

2. Регуляризация ↗

3. Практические особенности линейной регрессии ↗

4. Feature engineering ↗

5. Метрики качества регрессии ↗

6. Домашнее задание - 2 ↗

Градиентный спуск

4 урока

1. Градиентный спуск для функции одной переменной ↗

2. Градиентный спуск в общем случае ↗

3. Стохастический градиентный спуск ↗

4. Домашнее задание - 3 ↗

Линейные модели классификации - 1

4 урока

1. Переход от регрессии к классификации ↗

2. Задача оценивания вероятностей, логистическая регрессия ↗

3. Базовые метрики классификации ↗

4. Домашнее задание - 4 ↗

Обработка признаков

4 урока

1. Работа с пропущенными значениями ↗

2. Нормализация данных ↗

3. Кодирование категориальных признаков ↗

4. Домашнее задание - 5 ↗

Линейные модели классификации - 2

4 урока

1. Метод опорных векторов ↗

2. Ядровой метод опорных векторов ↗

3. Продвинутые (интегральные) метрики классификации ↗

4. Домашнее задание - 6 ↗

Многоклассовая классификация

4 урока

1. Многоклассовая и multilabel-классификация ↗

2. Метод ближайших соседей ↗

3. Быстрый поиск соседей ↗

4. Домашнее задание - 7 ↗

Промежуточное тестирование

4 урока

1. Тестирование ↗

2. Базовый уровень ↗

3. Средний уровень ↗

4. Продвинутый уровень ↗

Решающие деревья

4 урока

1. Решающее дерево. Введение ↗

2. Обучение решающих деревьев ↗

3. Тонкости решающих деревьев ↗

4. Домашнее задание - 8 ↗

Композиции решающих деревьев

4 урока

1. Разложение ошибки на смещение и разброс ↗

2. Бэггинг. Случайный лес ↗

3. Бустинг. Градиентный бустинг над решающими деревьями ↗

4. Домашнее задание - 9 ↗

Модификации бустинга и ускорение обучения

5 уроков

1. XGBoost ↗

2. CatBoost ↗

3. LightGBM ↗

4. Optuna ↗

5. Домашнее задание - 10 ↗

Пайплайн ML-модели

5 уроков

1. Постановка задачи и разведочный анализ данных ↗

2. Построение базового решения и его первые улучшения ↗

3. Дальнейшие улучшения решения ↗

4. Получение предсказания и интерпретация результатов ↗

5. Соревнование ↗

Снижение размерности данных

5 уроков

1. Методы отбора признаков ↗

2. Метод главных компонент ↗

3. Другие способы снижения размерности ↗

4. Методы визуализации данных ↗

5. Домашнее задание - 11 ↗

Кластеризация данных

6 уроков

1. K-means ↗

2. Иерархическая кластеризация ↗

3. DBSCAN, HDBSCAN ↗

4. Метрики качества кластеризации ↗

5. Графовая кластеризация ↗

6. Домашнее задание - 12 ↗

ML в облаке

3 урока

1. Объектное хранилище ↗

2. Обучение моделей на GPU ↗

3. Домашнее задание - 13 ↗

Итоговое тестирование

4 урока

1. Тестирование ↗

2. Базовый уровень ↗

3. Средний уровень ↗

4. Продвинутый уровень ↗

Финальное задание

4 урока

1. Условие задачи ↗

2. Проверка проекта (первая часть) ↗

3. Проверка проекта (вторая часть) ↗

4. Что дальше? ↗

Дополнительные материалы

2 урока

1. Онлайн-встречи ↗

2. Литература ↗