Курс на Stepik
Обложка курса «Практический Machine Learning» на Stepik
2 890 ₽

Практический Machine Learning ★ 0.000

Открыть на
STEPIK.ORG

Практический курс по машинному обучению, который проведёт вас от базовых понятий до продвинутых методов. Вы изучите весь процесс работы с данными: от анализа и подготовки до построения моделей, ансамблей и обучения без учителя. В курсе рассматриваются как классические алгоритмы, так и современные библиотеки, включая градиентный бустинг. Обучение построено на практике и завершается итоговым проектом.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Практический Machine Learning»Учеников на курсе 11
Сертификаты, выданные на курсе «Практический Machine Learning»Сертификатов выдано 0
Отзывы о курсе «Практический Machine Learning»Отзывов получено 0
Рейтинг курса «Практический Machine Learning»Рейтинг курса 0.000
Уроки в курсе «Практический Machine Learning»Количество уроков 30
Тесты в курсе «Практический Machine Learning»Количество квизов 372
Задачи с кодом в курсе «Практический Machine Learning»Количество задач с кодом 4
Время прохождения курса «Практический Machine Learning»Время прохождения курса —
Стоимость курса «Практический Machine Learning»Стоимость курса 2 890 ₽ —
Обновления курса «Практический Machine Learning»Обновления курса — —
Дата публикации курса «Практический Machine Learning»Дата публикации курса — ———
Последнее обновление курса «Практический Machine Learning»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Практический Machine Learning» 10 разделов Уроки в курсе «Практический Machine Learning» 30 уроков Тесты в курсе «Практический Machine Learning» 372 теста Задачи в курсе «Практический Machine Learning» 4 задачи Время прохождения курса «Практический Machine Learning» 0 ч. Последнее обновление курса «Практический Machine Learning» обн. 25 августа 2026

Введение в машинное обучение

4 урока
1. Основные понятия ML ↗
2. Типы задач: регрессия, классификация, кластеризация ↗
3. Этапы ML-проекта ↗
4. Оценка качества моделей ↗

Анализ и подготовка данных

4 урока
1. Разведочный анализ данных (EDA) ↗
2. Обработка пропусков ↗
3. Нормализация и масштабирование ↗
4. Кодирование категориальных признаков ↗

Линейные модели

4 урока
1. Линейная регрессия ↗
2. Регуляризация (L1, L2) ↗
3. Градиентный спуск ↗
4. Логистическая регрессия ↗

Метрики и оценка моделей

3 урока
1. Метрики регрессии ↗
2. Метрики классификации ↗
3. Кросс-валидация ↗

Базовые алгоритмы

2 урока
1. K-ближайших соседей (KNN) ↗
2. Метод опорных векторов (SVM) ↗

Деревья решений и ансамбли

3 урока
1. Решающие деревья ↗
2. Случайный лес ↗
3. Градиентный бустинг ↗

Современные реализации бустинга

3 урока
1. LightBoost ↗
2. XGBoost ↗
3. CatBoost ↗

Снижение размерности

2 урока
1. Метод главных компонент (PCA) ↗
2. Визуализация данных ↗

Кластеризация

3 урока
1. K-means ↗
2. Иерархическая кластеризация ↗
3. DBSCAN ↗

Итоговый проект

2 урока
1. Финальный проект ↗
2. Обратная связь ↗