Stepik О курсе
Подробнее
Машинное обучение связано с разработкой алгоритмов, которые можно обучать (настраивать) под решение конкретных задач. Например, это камеры с возможностью распознавания лиц, различные переводчики с одного языка на другой, построение всевозможных прогнозов по предыдущим данным, генерация текстов, изображений, звуков, управление беспилотными аппаратами и многое другое. Алгоритмы машинного обучения окружают нас повсюду. А потому, важно правильно понимать эти программы, их возможности и ограничения.
В этом курсе вы познакомитесь с огромным разнообразием алгоритмов машинного обучения, включая простые, но эффективные, а также более сложные, которые способны решать далеко нетривиальные задачи.
Чтобы хорошо понимать материал данного курса, необходимы уверенные знания школьной математики, а также разделы высшей математики: линейная алгебра, дифференцирование матриц и векторов, теория вероятностей и математическая статистика (основы). Кроме этого, при реализации алгоритмов машинного обучения сейчас, в основном, применяется язык программирования Python. Если вы его не знаете, то лучше вначале изучить по следующей ссылке:
Добрый, добрый Python: https://stepik.org/course/100707/
Также желательно хорошо знать пакет NumPy для работы с векторами и матрицами:
NumPy: YouTube | RuTube
Продолжение курса: Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch
Телеграм-канал: https://t.me/selfedu_sb
Телеграм-чат: https://t.me/machine_learning_selfedu
Требования
Что нужно для старта
- Уверенные знания школьной математики, линейной алгебры, дифференцирование матриц и векторов, теории вероятностей и математической статистики (основы).
- Знание языка программирования Python: https://stepik.org/course/100707/
- NumPy: YouTube | RuTube
Результат
Что вы получите
- Подробно познакомитесь с линейными моделями.
- Узнаете что такое градиентные алгоритмы и научитесь их применять для обучения линейных моделей.
- Изучите различные оптимизаторы градиентных алгоритмов.
- Познакомитесь с L1- и L2-регуляризаторами, как инструментом борьбы с эффектом переобучения моделей.
- Изучите байесовский подход к задачам машинного обучения.
- Научитесь применять наивный байесовский классификатор, гауссовский байесовский классификатор и линейный дискриминант Фишера.
- Познакомитесь с идеей метода опорных векторов (SVM) и его практическим применением для задач классификации образов.
- Узнаете о различных критериях качества оценивания эффективности работы обученных моделей.
- Познакомитесь с методом главных компонент и увидите, как с его помощью можно сокращать признаковое пространство и бороться с эффектом переобучения.
- Изучите метрические методы классификации и кластеризации данных (метод k ближайших соседей, DBSCAN и др.)
- Научитесь строить и применять решающие деревья для задач классификации и регрессии, а также их композиции в виде случайного леса.
- Познакомитесь с бустингом (boosting) алгоритмов и его развитием до градиентного бустинга.
- Совершите краткое знакомство с нейронными сетями и алгоритмом их обучения back propagation.
Аудитория
Для кого этот курс
- Для всех желающих окунуться в мир машинного обучения.
Содержание
7 занятийПрограмма курса
№ТемаЧто внутри
01Введение в машинное обучение
- Начало
- Что такое машинное обучение. Обучающая выборка
- Постановка задачи машинного обучения
- Линейная модель. Понятие переобучения
- Способы оценивания степени переобучения моделей
- Уравнение гиперплоскости в задачах бинарной классификации
- Решение простой задачи бинарной классификации
- Функции потерь в задачах линейной бинарной классификации
02Градиентный алгоритм. L1-, L2-регуляризаторы
- Градиентный алгоритм (градиентный спуск)
- Стохастический градиентный спуск SGD и алгоритм SAG
- Пример использования SGD при бинарной классификации образов
- Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam
- L2-регуляризатор. Математическое обоснование и пример работы
- L1-регуляризатор. Отличия между L1- и L2-регуляризаторами
03Вероятностный взгляд на задачи МО
- Логистическая регрессия. Вероятностный взгляд на МО
- Вероятностный взгляд на L1 и L2-регуляризаторы
- Формула Байеса при решении конкретных задач
- Байесовский вывод. Наивная байесовская классификация
- Гауссовский байесовский классификатор
- Линейный дискриминант Фишера
04SVM, PCA, показатели качества
- Введение в метод опорных векторов (SVM)
- Реализация метода опорных векторов (SVM)
- Метод опорных векторов (SVM) с нелинейными ядрами
- Вероятностная оценка качества моделей
- Показатели precision и recall. F-мера
- Метрики качества ранжирования. ROC-кривая
- Метод главных компонент (Principal Component Analysis)
- Сокращение размерности признакового пространства с помощью PCA
- Сингулярное разложение и его связь с PCA
- Многоклассовая классификация. Методы one-vs-all и all-vs-all
05Метрические методы
- Метрические методы классификации. Метод k ближайших соседей
- Методы парзеновского окна и потенциальных функций
- Метрические регрессионные методы. Формула Надарая-Ватсона
- Задачи кластеризации. Постановка задачи
- Алгоритм кластеризации Ллойда (K-средних, K-means)
- Алгоритм кластеризации DBSCAN
- Агломеративная иерархическая кластеризация. Дендрограмма
06Решающие деревья
- Логические методы классификации
- Критерии качества для построения решающих деревьев
- Построение решающих деревьев жадным алгоритмом ID3
- Усечение (prunning) дерева, обработка пропусков
- Решающие деревья в задачах регрессии. Алгоритм CART
- Случайные деревья и случайный лес. Бутстрэп и бэггинг
07Бустинг. Нейронные сети
- Введение в бустинг (boosting). Алгоритм AdaBoost
- Алгоритм AdaBoost в задачах регрессии
- Градиентный бустинг и стохастический градиентный бустинг
- Нейронные сети. Краткое введение в теорию
- Обучение нейронной сети. Алгоритм back propagation
- Что дальше?
01Введение в машинное обучение
- Начало
- Что такое машинное обучение. Обучающая выборка
- Постановка задачи машинного обучения
- Линейная модель. Понятие переобучения
- Способы оценивания степени переобучения моделей
- Уравнение гиперплоскости в задачах бинарной классификации
- Решение простой задачи бинарной классификации
- Функции потерь в задачах линейной бинарной классификации
02Градиентный алгоритм. L1-, L2-регуляризаторы
- Градиентный алгоритм (градиентный спуск)
- Стохастический градиентный спуск SGD и алгоритм SAG
- Пример использования SGD при бинарной классификации образов
- Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam
- L2-регуляризатор. Математическое обоснование и пример работы
- L1-регуляризатор. Отличия между L1- и L2-регуляризаторами
03Вероятностный взгляд на задачи МО
- Логистическая регрессия. Вероятностный взгляд на МО
- Вероятностный взгляд на L1 и L2-регуляризаторы
- Формула Байеса при решении конкретных задач
- Байесовский вывод. Наивная байесовская классификация
- Гауссовский байесовский классификатор
- Линейный дискриминант Фишера
04SVM, PCA, показатели качества
- Введение в метод опорных векторов (SVM)
- Реализация метода опорных векторов (SVM)
- Метод опорных векторов (SVM) с нелинейными ядрами
- Вероятностная оценка качества моделей
- Показатели precision и recall. F-мера
- Метрики качества ранжирования. ROC-кривая
- Метод главных компонент (Principal Component Analysis)
- Сокращение размерности признакового пространства с помощью PCA
- Сингулярное разложение и его связь с PCA
- Многоклассовая классификация. Методы one-vs-all и all-vs-all
05Метрические методы
- Метрические методы классификации. Метод k ближайших соседей
- Методы парзеновского окна и потенциальных функций
- Метрические регрессионные методы. Формула Надарая-Ватсона
- Задачи кластеризации. Постановка задачи
- Алгоритм кластеризации Ллойда (K-средних, K-means)
- Алгоритм кластеризации DBSCAN
- Агломеративная иерархическая кластеризация. Дендрограмма
06Решающие деревья
- Логические методы классификации
- Критерии качества для построения решающих деревьев
- Построение решающих деревьев жадным алгоритмом ID3
- Усечение (prunning) дерева, обработка пропусков
- Решающие деревья в задачах регрессии. Алгоритм CART
- Случайные деревья и случайный лес. Бутстрэп и бэггинг
07Бустинг. Нейронные сети
- Введение в бустинг (boosting). Алгоритм AdaBoost
- Алгоритм AdaBoost в задачах регрессии
- Градиентный бустинг и стохастический градиентный бустинг
- Нейронные сети. Краткое введение в теорию
- Обучение нейронной сети. Алгоритм back propagation
- Что дальше?
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 «Добрый, добрый ИИ. Часть 1. Машинное обучение» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Информация обновлена 3 сентября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![Deep Learning (семестр 1, осень 2025) [АРХИВ]](https://cdn.stepik.net/media/cache/images/courses/250969/cover_3ghM7i5/aab82cc6ba6ad93120824913eeaab261.jpg)
