Stepik О курсе
Подробнее
Содержание
Линейная регрессия - 1
ООП в Python. Часть 1
ООП в Python. Часть 2
Линейная регрессия - 2
Фреймворк Streamlit
Настройка среды для работы с базой данных (docker, dbeaver)
Линейные модели классификации - 1
Основные команды SQL
Знакомство с FastAPI
Линейные модели классификации - 2
Работа с PostgreSQL в FastAPI
Знакомство с SQLAlchemy
Streamlit + FastAPI + SQLAlchemy. Финальное задание по проекту
Подведение итогов
Важно!
Материалы курса основаны на интенсиве, который прошел в августе-сентябре 2023 года. Записи занятий, тесты, практические задания и весь дополнительный материал выложены на Stepik и канале в Telegram. Смотреть вебинары и сдавать практику можно в любое время!
Требования
Что нужно для старта
- умение писать простые программы на Python
- знание основ анализа данных
- уверенное знание математики в рамках школьной программы, знание основ высшей математики
Результат
Что вы получите
- Работать с линейной и логистической регрессией
- Оценивать качество моделей регрессии и классификации
- Проходить все этапы задачи ML: от разведочного анализа до получения прогноза и его интерпретации
- Cтроить интерактивные дашборды при помощи библиотеки Streamlit
- Cоздавать веб-сервисы с использованием фреймворка FastApi
Аудитория
Для кого этот курс
- Курс подойдет слушателям, уже знакомым с основами программирования на Python и базовыми подходами к анализу данных, но без фундаментальных знаний машинного обучения. Он поможет разобраться не только как использовать модели на практике, но и детально представит теоретическую сторону предмета. Также курс заинтересует тех, кто хочет развиваться в IT-области как ML разработчик: красиво презентовать решение в виде интерактивного дашборда и веб-сервиса.
Содержание
11 занятийПрограмма курса
№ТемаЧто внутри
01О курсе
- О курсе
- Тест по Python
- Тест по Pandas
02Задача регрессии. Начало
- Задача регрессии. Линейная регрессия
- Домашнее задание - 1
03ООП в Python
- Декораторы. Классы
- Домашнее задание - 2
- Наследование. Абстрактные классы. Аннотация типов
- Домашнее задание - 3
- Домашнее задание - 4
04Регрессия. Продолжение
- Метрики качества регрессии и интерпретация моделей
- Домашнее задание - 5
05Фреймоворк Streamlit
- Начало работы со Streamlit
- Функции и виджеты
- Домашнее задание - 6
06SQL
- Знакомство с Docker
- Основы SQL
- Домашнее задание - 7
07Линейная классификация. Логистическая регрессия
- Линейная классификация. Логистическая регрессия
- Домашнее задание - 8
08Фреймворк FastApi
- Знакомство с FastAPI
- Работа с хранилищем данных. SQLAlchemy
- PostgreSQL + FastAPI + Streamlit. Деплой сервиса
- Домашнее задание
09Интерпретация моделей классификации
- Интерпретация моделей классификации
- Продвинутые (интегральные) метрики классификации
- Домашнее задание - 10
10Итоговый проект
- Задание
11Дополнительные материалы
- Полезные ссылки
01О курсе
- О курсе
- Тест по Python
- Тест по Pandas
02Задача регрессии. Начало
- Задача регрессии. Линейная регрессия
- Домашнее задание - 1
03ООП в Python
- Декораторы. Классы
- Домашнее задание - 2
- Наследование. Абстрактные классы. Аннотация типов
- Домашнее задание - 3
- Домашнее задание - 4
04Регрессия. Продолжение
- Метрики качества регрессии и интерпретация моделей
- Домашнее задание - 5
05Фреймоворк Streamlit
- Начало работы со Streamlit
- Функции и виджеты
- Домашнее задание - 6
06SQL
- Знакомство с Docker
- Основы SQL
- Домашнее задание - 7
07Линейная классификация. Логистическая регрессия
- Линейная классификация. Логистическая регрессия
- Домашнее задание - 8
08Фреймворк FastApi
- Знакомство с FastAPI
- Работа с хранилищем данных. SQLAlchemy
- PostgreSQL + FastAPI + Streamlit. Деплой сервиса
- Домашнее задание
09Интерпретация моделей классификации
- Интерпретация моделей классификации
- Продвинутые (интегральные) метрики классификации
- Домашнее задание - 10
10Итоговый проект
- Задание
11Дополнительные материалы
- Полезные ссылки
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 «Линейные модели и их презентация» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Python-разработка
Информация обновлена 12 августа 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
