Stepik Продвинутые методы машинного обучения
О курсе
Подробнее
Подробно будут разобраны следующие темы:
построение рекомендательных систем
анализ временных рядов
продвинутые методы интерпретации ML-моделей
AutoML
Динамическое ценообразование
Uplift-моделирование
Требования
Что нужно для старта
- базовая математика
- программирование на языке Python
- знания курса Практический Machine Learning
Результат
Что вы получите
- познакомитесь с подходами к решению различных прикладных задач анализа данных
- разберете практические кейсы и попрактикуетесь в написании кода для решения задач на Python
- самостоятельно реализуете проектные задания и получите ревью от команды курса
- освоите ряд тем, не входящих в большинство стандартных курсов по машинному обучению и получите конкурентные преимущества по сравнению с другими data scientistами
Аудитория
Для кого этот курс
- Наш курс будет полезен тем, кто уже знаком с алгоритмами классического машинного обучения и хочет углубиться в практические приложения, такие как построение рекомендательных систем, анализ временных рядов, интерпретируемое машинное обучение, AutoML, динамическое ценообразование и uplift-моделирование.
Содержание
12 занятийПрограмма курса
№ТемаЧто внутри
01Организация курса
- Программа курса
- Входное тестирование
02Интерпретируемость ML-моделей
- Калибровка вероятностей
- Permutation importance
- Shapley values
- LIME
- Домашнее задание
03Прогнозирование временных рядов - 1
- Особенности работы с временными рядами
- Статистические методы прогноза временных рядов: начало
- Статистические методы прогноза временных рядов: продолжение
- Домашнее задание
04Прогнозирование временных рядов - 2
- Адаптивный подход
- Улучшения классических экспоненциальных моделей
- Домашнее задание
05Прогнозирование временных рядов - 3
- Машинное обучение для прогнозирования временных рядов
- Фреймворки для работы с временными рядами в Python
- Домашнее задание
06Рекомендательные системы - 1
- Коллаборативная фильтрация
- Матричные разложения
- Домашнее задание
07Рекомендательные системы - 2
- Метрики качества рекомендаций
- ML-подход
- Факторизационные машины
- Домашнее задание
08Рекомендательные системы - 3
- ALS для обучения рекомендательных систем
- Deep Learning-подходы для построения рекомендаций (обзор)
- Соревнование по построению рекомендательной системы
09Автоматическое машинное обучение
- Введение в AutoML: общие понятия и фреймворк TPOT
- AutoSklearn и LightAutoML
- Oboe и AutoGluon
- Домашнее задание
- AutoTS
10Динамическое ценообразование
- Введение в динамическое ценообразование
- Машинное обучение для прогноза спроса
- Цены-кандидаты (Prices Bundle)
- Продолжение
11Uplift-моделирование
- Введение в Uplift моделирование
- Практическое занятие 1
- Обзор подходов к решению задач Uplift: Metalearners
- Обзор подходов к решению задач Uplift: Трансформация классов
- *Обзор подходов к решению задач Uplift: Uplift деревья
- Метрики качества Uplift моделей
- Практическое занятие 2
- *Дополнительные темы по Uplift моделированию
- Домашнее задание
- Источники
12Вопросы с собеседований
- Junior level
- Middle level
- Senior level
01Организация курса
- Программа курса
- Входное тестирование
02Интерпретируемость ML-моделей
- Калибровка вероятностей
- Permutation importance
- Shapley values
- LIME
- Домашнее задание
03Прогнозирование временных рядов - 1
- Особенности работы с временными рядами
- Статистические методы прогноза временных рядов: начало
- Статистические методы прогноза временных рядов: продолжение
- Домашнее задание
04Прогнозирование временных рядов - 2
- Адаптивный подход
- Улучшения классических экспоненциальных моделей
- Домашнее задание
05Прогнозирование временных рядов - 3
- Машинное обучение для прогнозирования временных рядов
- Фреймворки для работы с временными рядами в Python
- Домашнее задание
06Рекомендательные системы - 1
- Коллаборативная фильтрация
- Матричные разложения
- Домашнее задание
07Рекомендательные системы - 2
- Метрики качества рекомендаций
- ML-подход
- Факторизационные машины
- Домашнее задание
08Рекомендательные системы - 3
- ALS для обучения рекомендательных систем
- Deep Learning-подходы для построения рекомендаций (обзор)
- Соревнование по построению рекомендательной системы
09Автоматическое машинное обучение
- Введение в AutoML: общие понятия и фреймворк TPOT
- AutoSklearn и LightAutoML
- Oboe и AutoGluon
- Домашнее задание
- AutoTS
10Динамическое ценообразование
- Введение в динамическое ценообразование
- Машинное обучение для прогноза спроса
- Цены-кандидаты (Prices Bundle)
- Продолжение
11Uplift-моделирование
- Введение в Uplift моделирование
- Практическое занятие 1
- Обзор подходов к решению задач Uplift: Metalearners
- Обзор подходов к решению задач Uplift: Трансформация классов
- *Обзор подходов к решению задач Uplift: Uplift деревья
- Метрики качества Uplift моделей
- Практическое занятие 2
- *Дополнительные темы по Uplift моделированию
- Домашнее задание
- Источники
12Вопросы с собеседований
- Junior level
- Middle level
- Senior level
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 «Продвинутые методы машинного обучения» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Машинное обучение
Информация обновлена 12 августа 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)
