Курс на Stepik
Обложка курса «Практический Machine Learning» на Stepik
2 890₽ -10%
--:--:--
2 601 ₽

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 3
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 377
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» 377 тестов Последнее обновление курса «Практический Machine Learning» обн. 18 апреля 2026

1. Введение в машинное обучение

4 урока
Закрытый
1.1 Основные понятия ML ↗
3
1
-
0
Закрытый
1.2 Типы задач: регрессия, классификация, кластеризация ↗
1
1
-
0
Закрытый
1.3 Этапы ML-проекта ↗
1
1
-
0
Закрытый
1.4 Оценка качества моделей ↗
1
1
-
0

2. Анализ и подготовка данных

4 урока
Закрытый
2.1 Разведочный анализ данных (EDA) ↗
1
1
-
0
Закрытый
2.2 Обработка пропусков ↗
1
1
-
0
Закрытый
2.3 Нормализация и масштабирование ↗
1
1
-
0
Закрытый
2.4 Кодирование категориальных признаков ↗
1
1
-
0

3. Линейные модели

4 урока
Закрытый
3.1 Линейная регрессия ↗
1
1
-
0
Закрытый
3.2 Регуляризация (L1, L2) ↗
1
1
-
0
Закрытый
3.3 Градиентный спуск ↗
1
1
-
0
Закрытый
3.4 Логистическая регрессия ↗
1
1
-
0

4. Метрики и оценка моделей

3 урока
Закрытый
4.1 Метрики регрессии ↗
1
1
-
0
Закрытый
4.2 Метрики классификации ↗
1
1
-
0
Закрытый
4.3 Кросс-валидация ↗
1
1
-
0

5. Базовые алгоритмы

2 урока
Закрытый
5.1 K-ближайших соседей (KNN) ↗
1
1
-
0
Закрытый
5.2 Метод опорных векторов (SVM) ↗
1
1
-
0

6. Деревья решений и ансамбли

3 урока
Закрытый
6.1 Решающие деревья ↗
1
1
-
0
Закрытый
6.2 Случайный лес ↗
2
1
-
0
Закрытый
6.3 Градиентный бустинг ↗
1
1
-
0

7. Современные реализации бустинга

3 урока
Закрытый
7.1 LightBoost ↗
1
1
-
0
Закрытый
7.2 XGBoost ↗
1
1
-
0
Закрытый
7.3 CatBoost ↗
1
1
-
0

8. Снижение размерности

2 урока
Закрытый
8.1 Метод главных компонент (PCA) ↗
1
1
-
0
Закрытый
8.2 Визуализация данных ↗
1
1
-
0

9. Кластеризация

3 урока
Закрытый
9.1 K-means ↗
1
1
-
0
Закрытый
9.2 Иерархическая кластеризация ↗
1
1
-
0
Закрытый
9.3 DBSCAN ↗
1
1
-
0

10. Итоговый проект

2 урока
Закрытый
10.1 Финальный проект ↗
1
1
-
0
Закрытый
10.2 Обратная связь ↗
1
1
-
0