Курс на Stepik
Обложка курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» на Stepik
990 ₽

Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science 5.000

Открыть на
STEPIK.ORG

🟥🟨🟩Революция в ML.От «чёрного ящика» к полному пониманию математики машинного обучения через реверс-инжиниринг ML-модели. Вывод с нуля всех формул + Python.Меня зовут Руслан Сенаторов и в 2025 году я разработал новую систему обучения в области Data Science. Вместо традиционного "сверху вниз через теорию" мы начинаем с готовых решений в scikit-learn и разбираем их "изнутри",чтобы понять принципы работы и математику которая лежит в их основе с полного нуля.Это позволяет значительно сократить время обучения

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Учеников на курсе 50
Сертификаты, выданные на курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Сертификатов выдано 25
Отзывы о курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Отзывов получено 2
Рейтинг курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Рейтинг курса 5.000
Уроки в курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Количество уроков 61
Тесты в курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Количество квизов 152
Задачи с кодом в курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Количество задач с кодом 15
Время прохождения курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Время прохождения курса
Стоимость курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Стоимость курса 990 ₽
Обновления курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Обновления курса
Дата публикации курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Дата публикации курса
Последнее обновление курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Последнее обновление
Сложность easy

Содержание курса

Разделы в курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» 22 раздела Уроки в курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» 61 урок Тесты в курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» 152 теста Задачи в курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» 15 задач Время прохождения курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» 8 ч. Последнее обновление курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» обн. 21 июля 2026

Введение

4 урока
1. Регламент взаимодействия
2. Обзор курса
3. Школа Анализа Данных. Kaggle. arXiv.
4. Глоссарий

Глава 1.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)

4 урока
1. Параметры метода, Фильтрация данных
2. (Краткий обзор) z-score: масштабирование признаков
3. train_test_split:Тестовая, обучающая выборка.
4. Инициализация параметров: Метод shape, bias, weights, previous.

Глава 2.Численный метод что это?

1 урок
1. Основные понятия. Изучение терминологии.

Глава 3.Математический анализ

4 урока
1. Понятие функции
2. Монотонность функции
3. Производная и монотонность функции
4. Понятие Оптимизации

Глава 4.Основные теоремы дифференциального исчисления

10 уроков
1. Теорема Ферма. Точка экстремума. Критическая точка.
2. Выпуклость.Вогнутость функции.Точка перегиба.Хорда
3. Этапы оптимизации функции
4. Основы оптимизации функции. Липшицевость. Гладкость. Выпуклость.
5. Теорема Ролля: Основные понятия
6. Теорема Ролля: Синусоида. Основы тригонометрии.
7. Теорема Лагранжа: Основные понятия
8. Теорема Лагранжа: Парабола
9. Теорема Лагранжа: Линейная регрессия
10. Стационарная точка. Критическая точка. Точка экстремума.

Глава 5.Функция нескольких переменных.

5 уроков
1. Парабалойд
2. learning rate.Формула градиентного спуска
3. L1 vs L2
4. Как изменялась ошибка?
5. Теорема Лагранжа: Критерий сходимости алгоритма

Глава 6.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. GDLinearRegression: Повторный реверс-инжиниринг

Глава 7.Градиент и Функция потерь

3 урока
1. Геометрический смысл: Градиент и Функция потерь
2. Ортонормированный базис.Линейная зависимость.Линейная комбинация
3. Частные производные и Градиент

Глава 8.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. GDLinearRegression: Повторный реверс-инжиниринг

Глава 9.Реализация №2. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. Реверс-инжиниринг кода

Глава 10.Выводим с нуля формулу

2 урока
1. Скалярный квадрат. SSE.
2. Матричное диффенцирование: линейная форма, квадратичная форма

Глава 11.Реализация №2. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. Реверс-инжиниринг кода

Глава 12.Реализация №3. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. Реверс-инжиниринг кода

Глава 13.Экзамен на python

1 урок
1. тестирование на python

Глава 14. Мини-Батч градиентный спуск

2 урока
1. Реверс-инжиниринг кода
2. Дебажим детально код, ставим брекпоинт и сверяем с математикой

Глава 15.Стохастический градиентный спуск

1 урок
1. Дебажим детально код, ставим брекпоинт и сверяем с математикой

Глава 16.Переобучение.недообучение модели:Underfit, good,overfit

1 урок
1. Основные различия

Глава 17. Сравнительный анализ. BGD VS MINI-BATCH VS SGD

1 урок
1. Плюсы, Минусы, Где применяется

(Краткий обзор) Корреляционно-регрессионный анализ

12 уроков
1. Intro: linear regression
2. Supervised learning/Unsupervised learning
3. Классификация моделей линейной регресии
4. Pipeline
5. Вероятностный и классический подход в машинном обучении
6. Почему называется МНК?
7. Ф-критерий Фишера/Т-критерий Стьюдента и Метрики качества модели
8. Теорема Гаусса-Маркова
9. Доверительный интервал
10. QQ-plot.Тест Шапиро-Уилка и Колмогорова смирнова
11. Градиентный спуск и Метод наименьших квадратов
12. Time complexity для МНК (Алгоритмы и структуры данных)

Если вам понравился курс...

1 урок
1. ...то...

стажировка в IT-организации и Школа Data Science

1 урок
1. стажировка в IT-организации и Школа Data Science

Метод сопряжённых градиентов

1 урок
1. CG