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 2 623 учеников.

Выдаётся ли сертификат по окончании курса?

Да, при успешном завершении курса выдаётся сертификат от платформы Stepik. На данный момент 674 учеников получили сертификат (25.7% 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: 4.971 (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	2 623
Сертификатов выдано	674
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	3 года назад	—	—	—	—
Последнее обновление	1 год назад	—	—	—	—
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. 1 год назад

1. Организация курса

6 уроков

Закрытый

1.1 О курсе ↗

2 001

568

1м 51с

Закрытый

1.2 Инструменты ↗

606

580

1м 7с

Закрытый

1.3 Платформа Kaggle ↗

815

722

1м 53с

Закрытый

1.4 Обучение на GPU ↗

1 258

1 157

6м 13с

Закрытый

1.5 Глоссарий ↗

2 044

552

3м 23с

Закрытый

1.6 Входное тестирование по Python ↗

618

369

27м 35с

2. Знакомство с машинным обучением

7 уроков

Закрытый

2.1 Введение ↗

4 039

3 390

3м 27с

Закрытый

2.2 Основные понятия машинного обучения ↗

3 885

3 409

2м 4с

Закрытый

2.3 Типы задач в машинном обучении ↗

3 683

3 128

4м 4с

100

Закрытый

2.4 Схема проекта по машинному обучению ↗

3 635

2 905

23м 35с

151

Закрытый

2.5 Оценка обобщающей способности модели ↗

3 260

2 745

12м 43с

Закрытый

2.6 Разведочный анализ данных ↗

2 009

1 691

18м 55с

Закрытый

2.7 Домашнее задание - 1 ↗

2 034

1 630

14м 31с

3. Линейные модели регрессии

6 уроков

Открытый

3.1 Основы линейной регрессии ↗

2 937

1 841

9м 28с

Открытый

3.2 Регуляризация ↗

2 372

1 729

29м 26с

Закрытый

3.3 Практические особенности линейной регрессии ↗

1 802

1 655

5м 18с

Закрытый

3.4 Feature engineering ↗

1 769

1 628

8м 10с

Закрытый

3.5 Метрики качества регрессии ↗

1 762

1 628

15м 32с

Закрытый

3.6 Домашнее задание - 2 ↗

1 754

361

28м 23с

4. Градиентный спуск

4 урока

Закрытый

4.1 Градиентный спуск для функции одной переменной ↗

2 611

1 537

21м 56с

Закрытый

4.2 Градиентный спуск в общем случае ↗

1 994

1 465

26м 57с

Закрытый

4.3 Стохастический градиентный спуск ↗

1 699

1 589

8м 57с

Закрытый

4.4 Домашнее задание - 3 ↗

1 519

1 069

31м 56с

5. Линейные модели классификации - 1

4 урока

Закрытый

5.1 Переход от регрессии к классификации ↗

1 494

1 385

13м 28с

Закрытый

5.2 Задача оценивания вероятностей, логистическая регрессия ↗

1 423

1 146

31м 38с

Закрытый

5.3 Базовые метрики классификации ↗

1 374

1 252

14м 0с

Закрытый

5.4 Домашнее задание - 4 ↗

1 326

1 042

42м 26с

6. Обработка признаков

4 урока

Закрытый

6.1 Работа с пропущенными значениями ↗

1 364

1 250

7м 50с

Закрытый

6.2 Нормализация данных ↗

1 316

1 259

11м 29с

Закрытый

6.3 Кодирование категориальных признаков ↗

1 309

1 113

26м 22с

Закрытый

6.4 Домашнее задание - 5 ↗

1 251

244

82м 10с

7. Линейные модели классификации - 2

4 урока

Закрытый

7.1 Метод опорных векторов ↗

1 308

764

20м 43с

Закрытый

7.2 Ядровой метод опорных векторов ↗

1 212

1 111

14м 17с

Закрытый

7.3 Продвинутые (интегральные) метрики классификации ↗

1 227

1 027

24м 42с

Закрытый

7.4 Домашнее задание - 6 ↗

1 116

872

45м 8с

8. Многоклассовая классификация

4 урока

Закрытый

8.1 Многоклассовая и multilabel-классификация ↗

1 228

1 080

22м 54с

Закрытый

8.2 Метод ближайших соседей ↗

1 187

1 085

16м 0с

Закрытый

8.3 Быстрый поиск соседей ↗

1 169

503

46м 30с

Закрытый

8.4 Домашнее задание - 7 ↗

1 131

695

29м 27с

9. Промежуточное тестирование

4 урока

Закрытый

9.1 Тестирование ↗

1 091

0м 17с

Закрытый

9.2 Базовый уровень ↗

1 082

1 016

8м 59с

Закрытый

9.3 Средний уровень ↗

1 062

866

20м 8с

Закрытый

9.4 Продвинутый уровень ↗

1 046

718

14м 6с

10. Решающие деревья

4 урока

Закрытый

10.1 Решающее дерево. Введение ↗

1 115

1 013

15м 14с

Закрытый

10.2 Обучение решающих деревьев ↗

1 050

869

23м 20с

Закрытый

10.3 Тонкости решающих деревьев ↗

1 028

954

23м 19с

Закрытый

10.4 Домашнее задание - 8 ↗

971

780

39м 56с

11. Композиции решающих деревьев

4 урока

Закрытый

11.1 Разложение ошибки на смещение и разброс ↗

1 009

929

15м 43с

Закрытый

11.2 Бэггинг. Случайный лес ↗

1 034

906

20м 36с

Закрытый

11.3 Бустинг. Градиентный бустинг над решающими деревьями ↗

1 018

878

18м 5с

Закрытый

11.4 Домашнее задание - 9 ↗

904

726

31м 13с

12. Модификации бустинга и ускорение обучения

5 уроков

Закрытый

12.1 XGBoost ↗

944

858

8м 18с

Закрытый

12.2 CatBoost ↗

922

851

18м 7с

Закрытый

12.3 LightGBM ↗

905

825

12м 4с

Закрытый

12.4 Optuna ↗

911

821

16м 54с

Закрытый

12.5 Домашнее задание - 10 ↗

866

735

28м 3с

13. Пайплайн ML-модели

5 уроков

Закрытый

13.1 Постановка задачи и разведочный анализ данных ↗

839

741

24м 55с

Закрытый

13.2 Построение базового решения и его первые улучшения ↗

786

725

13м 23с

Закрытый

13.3 Дальнейшие улучшения решения ↗

779

729

18м 55с

Закрытый

13.4 Получение предсказания и интерпретация результатов ↗

775

716

5м 58с

Закрытый

13.5 Соревнование ↗

809

156

319м 52с

14. Снижение размерности данных

5 уроков

Закрытый

14.1 Методы отбора признаков ↗

912

787

22м 34с

Закрытый

14.2 Метод главных компонент ↗

857

742

12м 47с

Закрытый

14.3 Другие способы снижения размерности ↗

822

753

4м 20с

Закрытый

14.4 Методы визуализации данных ↗

830

714

11м 46с

Закрытый

14.5 Домашнее задание - 11 ↗

803

644

11м 9с

15. Кластеризация данных

6 уроков

Закрытый

15.1 K-means ↗

766

704

12м 14с

Закрытый

15.2 Иерархическая кластеризация ↗

740

687

13м 5с

Закрытый

15.3 DBSCAN, HDBSCAN ↗

748

694

13м 7с

Закрытый

15.4 Метрики качества кластеризации ↗

734

690

5м 46с

Закрытый

15.5 Графовая кластеризация ↗

734

641

7м 47с

Закрытый

15.6 Домашнее задание - 12 ↗

719

549

38м 54с

16. ML в облаке

3 урока

Закрытый

16.1 Объектное хранилище ↗

401

345

11м 24с

Закрытый

16.2 Обучение моделей на GPU ↗

398

280

14м 58с

Закрытый

16.3 Домашнее задание - 13 ↗

384

178

24м 14с

17. Итоговое тестирование

4 урока

Закрытый

17.1 Тестирование ↗

650

0м 17с

Закрытый

17.2 Базовый уровень ↗

653

589

6м 10с

Закрытый

17.3 Средний уровень ↗

639

458

18м 38с

Закрытый

17.4 Продвинутый уровень ↗

631

196

31м 4с

18. Финальное задание

4 урока

Закрытый

18.1 Условие задачи ↗

604

0м 30с

Закрытый

18.2 Проверка проекта (первая часть) ↗

599

472

35м 7с

Закрытый

18.3 Проверка проекта (вторая часть) ↗

586

136м 2с

Закрытый

18.4 Что дальше? ↗

536

0м 19с

19. Дополнительные материалы

2 урока

Закрытый

19.1 Онлайн-встречи ↗

684

200

163м 48с

Закрытый

19.2 Литература ↗

215

182

1м 35с