IBS Training Center Основы машинного обучения
Всё для обучения
Как устроено обучение
О курсе
Подробнее
Основы машинного обучения: классификация, регрессия, кластеризация, ансамбли, нейронные сети. Курс дает представление об основных группах методов машинного обучения и их применении для решения задач анализа текстов, прогнозирования цены и выдачи рекомендаций. В практической части курса участники будут работать с признаками, перебирать параметры моделей и строить ансамбли, используя язык Python.
Требования
Что нужно для старта
- Базовые навыки программирования на Python
- Умение работать в командной оболочке Unix/Linux (bash)
- Базовые знания математической статистики и теории вероятностей
Результат
Что вы получите
- Выполнять задачи классификации, регрессии и кластеризации.
- Подготавливать и обрабатывать данные для машинного обучения.
- Оценивать качество моделей с помощью различных метрик.
- Строить и оптимизировать ансамбли моделей.
- Применять нейронные сети для решения реальных задач.
Аудитория
Для кого этот курс
- Разработчик
- Дата-аналитик
- ML Engineer
Содержание
8 занятийПрограмма курса
№ТемаЧто внутри
01Виды задач машинного обучения
• Что такое машинное обучение
• Виды моделей машинного обучения
• Этапы машинного обучения
• Типовые задачи
• Компоненты решений задач
02Библиотеки для машинного обучения
• NumPy, Pandas, SciPy, Matplotlib, Scikit-learn, Tensorflow
03Выборки и валидация
• Оценка моделей
• Функции потерь
• Виды метрик
• Разбиение на выборки: обучающую, тестовую, проверочную
04Линейные методы для регрессии и классификации
• Линейная регрессия
• Логистическая регрессия
• Оптимизация: градиентный спуск
05Деревья
• Деревья решений
• Ансамбли: бустинг, бэггинг (случайный лес)
06Методы кластеризации
• Разновидности методов
• Оценка качества кластеризации
• K-means
• DBSCAN
07Снижение размерности
• Зачем снижать размерность
• Методы отбора признаков
• Методы конструирования признаков
• Выявление аномалий
08Нейронные сети
• Нейросетевой подход в машинном обучении
• Популярные типы задач, решаемые нейронными сетями
• Устройство нейронных сетей
01Виды задач машинного обучения
• Что такое машинное обучение
• Виды моделей машинного обучения
• Этапы машинного обучения
• Типовые задачи
• Компоненты решений задач
02Библиотеки для машинного обучения
• NumPy, Pandas, SciPy, Matplotlib, Scikit-learn, Tensorflow
03Выборки и валидация
• Оценка моделей
• Функции потерь
• Виды метрик
• Разбиение на выборки: обучающую, тестовую, проверочную
04Линейные методы для регрессии и классификации
• Линейная регрессия
• Логистическая регрессия
• Оптимизация: градиентный спуск
05Деревья
• Деревья решений
• Ансамбли: бустинг, бэггинг (случайный лес)
06Методы кластеризации
• Разновидности методов
• Оценка качества кластеризации
• K-means
• DBSCAN
07Снижение размерности
• Зачем снижать размерность
• Методы отбора признаков
• Методы конструирования признаков
• Выявление аномалий
08Нейронные сети
• Нейросетевой подход в машинном обучении
• Популярные типы задач, решаемые нейронными сетями
• Устройство нейронных сетей
Документ после выпуска
Удостоверение о прохождении
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Основы машинного обучения» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Машинное обучение
Информация обновлена 12 октября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![[АРХИВ] Deep Learning (семестр 1, осень 2023)](https://cdn.stepik.net/media/cache/images/courses/181974/cover_bq8Ten0/442ca96b71e76542dff55bbbc4aca303.png)
![[АРХИВ] Deep Learning (семестр 1, весна 2025)](https://cdn.stepik.net/media/cache/images/courses/230362/cover_4tkfoRj/492fc6dc0234358ce905da4c4ca71bd6.jpg)
![[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток](https://cdn.stepik.net/media/cache/images/courses/135003/cover_2zXJL9O/db54e2933429a4cc0c45c3035311ac6f.jpg)
![[АРХИВ] Deep Learning (семестр 2, осень 2024)](https://cdn.stepik.net/media/cache/images/courses/196142/cover_dLZWnQI/f5772a02869d297a8c6632f8c7d74b55.jpg)
