Курс на Stepik
Обложка курса «Продвинутые методы машинного обучения» на Stepik
5 400₽ -28%
--:--:--
3 900 ₽

Продвинутые методы машинного обучения ★ 4.000

Открыть на
STEPIK.ORG

Данный курс посвящен различным прикладным задачам, которые решаются при помощи методов машинного обучения и является логическим продолженим курса Практический Machine Learning. В курсе разобраны современные подходы к решению задач рекомендации, анализа временных рядов, динамическое ценообразование, uplift-моделирование и многое другое.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Продвинутые методы машинного обучения»Учеников на курсе 440
Сертификаты, выданные на курсе «Продвинутые методы машинного обучения»Сертификатов выдано 35
Отзывы о курсе «Продвинутые методы машинного обучения»Отзывов получено 3
Рейтинг курса «Продвинутые методы машинного обучения»Рейтинг курса 4.000
Уроки в курсе «Продвинутые методы машинного обучения»Количество уроков 49
Тесты в курсе «Продвинутые методы машинного обучения»Количество квизов 157
Задачи с кодом в курсе «Продвинутые методы машинного обучения»Количество задач с кодом 3
Время прохождения курса «Продвинутые методы машинного обучения»Время прохождения курса —
Стоимость курса «Продвинутые методы машинного обучения»Стоимость курса 5 400 ₽ —
Обновления курса «Продвинутые методы машинного обучения»Обновления курса — —
Дата публикации курса «Продвинутые методы машинного обучения»Дата публикации курса — ———
Последнее обновление курса «Продвинутые методы машинного обучения»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Продвинутые методы машинного обучения» 12 разделов Уроки в курсе «Продвинутые методы машинного обучения» 49 уроков Тесты в курсе «Продвинутые методы машинного обучения» 157 тестов Задачи в курсе «Продвинутые методы машинного обучения» 3 задачи Время прохождения курса «Продвинутые методы машинного обучения» 14 ч. Последнее обновление курса «Продвинутые методы машинного обучения» обн. 1 год назад

1. Организация курса

2 урока
Закрытый
1.1 Программа курса ↗
384
253
1м 6с
13
Закрытый
1.2 Входное тестирование ↗
292
118
20м 8с
8

2. Интерпретируемость ML-моделей

5 уроков
Закрытый
2.1 Калибровка вероятностей ↗
276
175
20м 20с
18
Закрытый
2.2 Permutation importance ↗
217
168
11м 36с
10
Закрытый
2.3 Shapley values ↗
218
90
16м 35с
9
Закрытый
2.4 LIME ↗
209
142
19м 53с
8
Закрытый
2.5 Домашнее задание ↗
185
99
40м 26с
6

3. Прогнозирование временных рядов - 1

4 урока
Закрытый
3.1 Особенности работы с временными рядами ↗
1 667
335
16м 38с
67
Закрытый
3.2 Статистические методы прогноза временных рядов: начало ↗
199
137
22м 57с
10
Закрытый
3.3 Статистические методы прогноза временных рядов: продолжение ↗
185
131
31м 36с
9
Закрытый
3.4 Домашнее задание ↗
169
72
105м 41с
6

4. Прогнозирование временных рядов - 2

3 урока
Закрытый
4.1 Адаптивный подход ↗
802
360
14м 12с
18
Закрытый
4.2 Улучшения классических экспоненциальных моделей ↗
671
476
11м 49с
13
Закрытый
4.3 Домашнее задание ↗
585
191
9м 27с
1

5. Прогнозирование временных рядов - 3

3 урока
Закрытый
5.1 Машинное обучение для прогнозирования временных рядов ↗
1 148
587
18м 38с
16
Закрытый
5.2 Фреймворки для работы с временными рядами в Python ↗
1 028
548
14м 11с
17
Закрытый
5.3 Домашнее задание ↗
129
66
20м 0с
1

6. Рекомендательные системы - 1

3 урока
Закрытый
6.1 Коллаборативная фильтрация ↗
178
73
35м 3с
2
Закрытый
6.2 Матричные разложения ↗
162
96
34м 39с
5
Закрытый
6.3 Домашнее задание ↗
136
55
49м 37с
-4

7. Рекомендательные системы - 2

4 урока
Закрытый
7.1 Метрики качества рекомендаций ↗
133
90
10м 2с
5
Закрытый
7.2 ML-подход ↗
129
82
18м 54с
1
Закрытый
7.3 Факторизационные машины ↗
120
61
18м 46с
4
Закрытый
7.4 Домашнее задание ↗
92
46
38м 56с
0

8. Рекомендательные системы - 3

3 урока
Закрытый
8.1 ALS для обучения рекомендательных систем ↗
123
74
2м 52с
1
Закрытый
8.2 Deep Learning-подходы для построения рекомендаций (обзор) ↗
116
58
18м 8с
2
Закрытый
8.3 Соревнование по построению рекомендательной системы ↗
112
112
0м 15с
1

9. Автоматическое машинное обучение

5 уроков
Закрытый
9.1 Введение в AutoML: общие понятия и фреймворк TPOT ↗
137
38
11м 51с
7
Закрытый
9.2 AutoSklearn и LightAutoML ↗
102
61
11м 27с
4
Закрытый
9.3 Oboe и AutoGluon ↗
85
55
15м 25с
2
Закрытый
9.4 Домашнее задание ↗
90
22
96м 4с
2
Закрытый
9.5 AutoTS ↗
79
42
3м 50с
3

10. Динамическое ценообразование

4 урока
Закрытый
10.1 Введение в динамическое ценообразование ↗
21
8
3м 38с
0
Закрытый
10.2 Машинное обучение для прогноза спроса ↗
19
10
3м 11с
0
Закрытый
10.3 Цены-кандидаты (Prices Bundle) ↗
17
11
1м 9с
0
Закрытый
10.4 Продолжение ↗
21
21
0м 10с
0

11. Uplift-моделирование

10 уроков
Закрытый
11.1 Введение в Uplift моделирование ↗
128
51
11м 43с
5
Закрытый
11.2 Практическое занятие 1 ↗
93
42
15м 5с
2
Закрытый
11.3 Обзор подходов к решению задач Uplift: Metalearners ↗
77
34
7м 40с
2
Закрытый
11.4 Обзор подходов к решению задач Uplift: Трансформация классов ↗
60
51
2м 58с
1
Закрытый
11.5 *Обзор подходов к решению задач Uplift: Uplift деревья ↗
56
52
2м 56с
4
Закрытый
11.6 Метрики качества Uplift моделей ↗
59
32
6м 14с
2
Закрытый
11.7 Практическое занятие 2 ↗
55
26
20м 6с
3
Закрытый
11.8 *Дополнительные темы по Uplift моделированию ↗
53
30
3м 28с
2
Закрытый
11.9 Домашнее задание ↗
53
5
32м 41с
0
Закрытый
11.10 Источники ↗
51
51
0м 25с
2

12. Вопросы с собеседований

3 урока
Закрытый
12.1 Junior level ↗
117
15
10м 25с
3
Закрытый
12.2 Middle level ↗
79
7
3м 1с
2
Закрытый
12.3 Senior level ↗
71
0
0м 5с
2