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 47
Сертификаты, выданные на курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Сертификатов выдано 23
Отзывы о курсе «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science»Отзывов получено 1
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» 7 ч. Последнее обновление курса «Руслан Сенаторов: Gradient descent & SGD. Sklearn. Data Science» обн. 25 мая 2026

1. Введение

4 урока
Открытый
1.1 Регламент взаимодействия ↗
57
16
2м 56с
1
Открытый
1.2 Обзор курса ↗
49
49
2м 27с
0
Открытый
1.3 Школа Анализа Данных. Kaggle. arXiv. ↗
57
57
1м 34с
0
Закрытый
1.4 Глоссарий ↗
5
5
-
0

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

4 урока
Закрытый
2.1 Параметры метода, Фильтрация данных ↗
16
1
4м 17с
0
Закрытый
2.2 (Краткий обзор) z-score: масштабирование признаков ↗
9
2
11м 3с
0
Закрытый
2.3 train_test_split:Тестовая, обучающая выборка. ↗
11
3
6м 11с
0
Закрытый
2.4 Инициализация параметров: Метод shape, bias, weights, previous. ↗
10
6
2м 29с
0

3. Глава 2.Численный метод что это?

1 урок
Закрытый
3.1 Основные понятия. Изучение терминологии. ↗
10
6
3м 31с
0

4. Глава 3.Математический анализ

4 урока
Закрытый
4.1 Понятие функции ↗
11
1
2м 12с
0
Закрытый
4.2 Монотонность функции ↗
8
5
4м 48с
0
Закрытый
4.3 Производная и монотонность функции ↗
10
1
6м 38с
0
Закрытый
4.4 Понятие Оптимизации ↗
7
7
3м 39с
0

5. Глава 4.Основные теоремы дифференциального исчисления

10 уроков
Закрытый
5.1 Теорема Ферма. Точка экстремума. Критическая точка. ↗
9
1
9м 11с
0
Закрытый
5.2 Выпуклость.Вогнутость функции.Точка перегиба.Хорда ↗
7
6
8м 26с
0
Закрытый
5.3 Этапы оптимизации функции ↗
8
4
5м 3с
0
Закрытый
5.4 Основы оптимизации функции. Липшицевость. Гладкость. Выпуклость. ↗
8
2
15м 29с
0
Открытый
5.5 Теорема Ролля: Основные понятия ↗
63
3
5м 31с
0
Закрытый
5.6 Теорема Ролля: Синусоида. Основы тригонометрии. ↗
6
5
10м 58с
0
Закрытый
5.7 Теорема Лагранжа: Основные понятия ↗
6
6
6м 16с
1
Закрытый
5.8 Теорема Лагранжа: Парабола ↗
5
5
5м 50с
0
Закрытый
5.9 Теорема Лагранжа: Линейная регрессия ↗
5
3
11м 13с
1
Закрытый
5.10 Стационарная точка. Критическая точка. Точка экстремума. ↗
5
5
1м 51с
0

6. Глава 5.Функция нескольких переменных.

5 уроков
Закрытый
6.1 Парабалойд ↗
5
5
5м 21с
0
Закрытый
6.2 learning rate.Формула градиентного спуска ↗
5
1
16м 29с
0
Закрытый
6.3 L1 vs L2 ↗
6
6
3м 48с
0
Закрытый
6.4 Как изменялась ошибка? ↗
4
4
4м 31с
0
Закрытый
6.5 Теорема Лагранжа: Критерий сходимости алгоритма ↗
4
3
17м 41с
1

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

1 урок
Закрытый
7.1 GDLinearRegression: Повторный реверс-инжиниринг ↗
6
3
7м 34с
0

8. Глава 7.Градиент и Функция потерь

3 урока
Закрытый
8.1 Геометрический смысл: Градиент и Функция потерь ↗
5
5
11м 4с
0
Закрытый
8.2 Ортонормированный базис.Линейная зависимость.Линейная комбинация ↗
5
5
5м 44с
1
Закрытый
8.3 Частные производные и Градиент ↗
4
2
15м 34с
0

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

1 урок
Закрытый
9.1 GDLinearRegression: Повторный реверс-инжиниринг ↗
6
4
21м 12с
1

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

1 урок
Закрытый
10.1 Реверс-инжиниринг кода ↗
6
2
14м 9с
1

11. Глава 10.Выводим с нуля формулу

2 урока
Закрытый
11.1 Скалярный квадрат. SSE. ↗
4
4
6м 4с
0
Закрытый
11.2 Матричное диффенцирование: линейная форма, квадратичная форма ↗
4
2
24м 55с
0

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

1 урок
Закрытый
12.1 Реверс-инжиниринг кода ↗
4
2
16м 39с
0

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

1 урок
Закрытый
13.1 Реверс-инжиниринг кода ↗
4
3
8м 16с
0

14. Глава 13.Экзамен на python

1 урок
Закрытый
14.1 тестирование на python ↗
4
2
-
1

15. Глава 14. Мини-Батч градиентный спуск

2 урока
Закрытый
15.1 Реверс-инжиниринг кода ↗
4
2
5м 47с
0
Закрытый
15.2 Дебажим детально код, ставим брекпоинт и сверяем с математикой ↗
4
4
24м 30с
0

16. Глава 15.Стохастический градиентный спуск

1 урок
Закрытый
16.1 Дебажим детально код, ставим брекпоинт и сверяем с математикой ↗
5
2
13м 52с
0

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

1 урок
Закрытый
17.1 Основные различия ↗
4
1
3м 43с
0

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

1 урок
Закрытый
18.1 Плюсы, Минусы, Где применяется ↗
4
0
9м 35с
1

19. (Краткий обзор) Корреляционно-регрессионный анализ

12 уроков
Закрытый
19.1 Intro: linear regression ↗
4
2
16м 26с
1
Закрытый
19.2 Supervised learning/Unsupervised learning ↗
3
3
1м 11с
0
Закрытый
19.3 Классификация моделей линейной регресии ↗
3
3
4м 34с
0
Закрытый
19.4 Pipeline ↗
4
4
4м 35с
0
Закрытый
19.5 Вероятностный и классический подход в машинном обучении ↗
3
3
7м 42с
1
Закрытый
19.6 Почему называется МНК? ↗
3
3
0м 24с
0
Закрытый
19.7 Ф-критерий Фишера/Т-критерий Стьюдента и Метрики качества модели ↗
5
5
2м 36с
0
Закрытый
19.8 Теорема Гаусса-Маркова ↗
3
3
8м 57с
0
Закрытый
19.9 Доверительный интервал ↗
2
2
2м 47с
0
Закрытый
19.10 QQ-plot.Тест Шапиро-Уилка и Колмогорова смирнова ↗
3
3
1м 37с
0
Закрытый
19.11 Градиентный спуск и Метод наименьших квадратов ↗
2
2
6м 31с
0
Закрытый
19.12 Time complexity для МНК (Алгоритмы и структуры данных) ↗
3
3
1м 48с
0

20. Если вам понравился курс...

1 урок
Закрытый
20.1 ...то... ↗
3
1
-
0

21. стажировка в IT-организации и Школа Data Science

1 урок
Открытый
21.1 стажировка в IT-организации и Школа Data Science ↗
19
2
1м 4с
1

22. Метод сопряжённых градиентов

1 урок
Закрытый
22.1 CG ↗
2
2
-
0