Чему вы научитесь
- Строить линейные прогнозы и интерпретировать коэффициенты модели
- Вычислять остатки, MAE и MSE вручную и с помощью Python
- Распознавать влияние выбросов и выбирать устойчивую функцию потерь
- Находить медиану и квантили как решения задач минимизации абсолютных ошибок
- Понимать субградиенты, выпуклость и условия оптимальности для недифференцируемых функций
- Объяснять смысл Ridge, Lasso и ElasticNet и влияние коэффициента регуляризации
- Реализовывать gradient descent, SGD, mini-batch, proximal gradient и coordinate descent
- Применять soft-thresholding для L1-регуляризации и интерпретировать разреженные коэффициенты
- Строить траектории регуляризации, использовать тёплый старт и проверять сходимость
- Проводить честное разделение train/test, кросс-валидацию и подбор гиперпараметров
- Диагностировать смещение, разброс, ошибки модели и устойчивость результатов
- Создавать воспроизводимые вычислительные эксперименты и графики в Python
О курсе
Для кого этот курс
Начальные требования
Нужны школьная алгебра: действия с числами и дробями, линейные функции, координатная плоскость и понимание среднего значения. Полезно уметь читать простые графики и таблицы.
Для практики достаточно базового Python: переменные, списки, функции, циклы, условия и импорт модулей. Все ключевые вычисления сначала разбираются на прозрачных примерах.
NumPy, matplotlib и scikit-learn не являются обязательными предварительными знаниями. Курс объясняет, какую роль они играют, и предлагает самостоятельные реализации без внешних данных.
Преподаватели курса
6 971
Как проходит обучение
Курс состоит из 21 последовательного урока. В каждом уроке сначала разбирается идея на тексте, формулах и визуализациях, затем она проверяется короткими интерактивными заданиями и закрепляется исполняемым Python-кодом.
Студент последовательно проходит путь от линейного прогноза и метрик ошибок к устойчивым оценкам, регуляризации и алгоритмам оптимизации. Практические задания включают вычисления, интерпретацию графиков, разбор ошибок в коде и самостоятельные эксперименты.
Задания проверяются автоматически. Материал можно изучать в собственном темпе: возвращаться к любому уроку, менять параметры примеров, сверять промежуточные результаты и использовать решения как подробные комментарии к вычислениям.
Сертификат
Что вы получите
- Практический навык расчёта и интерпретации MAE, MSE, остатков и квантильных оценок
- Понимание того, почему средняя ошибка со знаком может скрывать плохое качество прогноза
- Умение выбирать между обычной и взвешенной MAE с учётом выбросов и приоритетов наблюдений
- Осознанное применение Ridge, Lasso и ElasticNet для борьбы с переобучением и отбора признаков
- Навык реализации базовых алгоритмов оптимизации без обращения к внешним данным
- Умение читать и проверять Python-код для линейных моделей, метрик и оптимизаторов
- Умение подбирать силу регуляризации по валидационным данным и объяснять выбор
- Навык анализа графиков функции потерь, траекторий коэффициентов и диагностики ошибок
- База для дальнейшего изучения scikit-learn, современных ML-моделей и AI-систем