Stepik О курсе
Подробнее
Курс нацелен на формирование всестороннего целостного понимания концепции и алгоритмов машинного обучения и навыков решения практических задач с помощью ML-моделей.
Курс состоит из материалов с теорией и практических семинаров, а также тестов и заданий для закрепления материалов.
Тесты предполагают выполнение заданий в Jupyter Notebook или Google Colab. В вводном модуле содержится информация о том, как начать работать с этими инструментами.
Требования
Что нужно для старта
- Для прохождения курса необходимо базовое владение языком программирования Python
Результат
Что вы получите
- Применять актуальные модели машинного обучения для решения практических задач
- Выбирать и настраивать оптимальную модель под ваши задачи
- Готовить данные для обучения моделей
- Проводить эксперименты для повышения качества работы моделей
Аудитория
Для кого этот курс
- Курс предназначен для всех, кто интересуется машинным обучением, хочет получить уверенную базовую подготовку или систематизировать имеющиеся знания.
Содержание
14 занятийПрограмма курса
№ТемаЧто внутри
01Введение
- О курсе
- История машинного обучения
- Задачи, которые решает ML
- Базовые средства и инструменты разработки
- Глоссарий
02Разведочный анализ данных
- Сбор, хранение и обработка данных
- Базовый анализ данных
- Заполнение пропусков
- Однофакторный анализ
- Двухфакторный анализ
- Многомерный анализ
- Обработка выбросов
- Исследование целевой переменной
- Инструменты быстрого анализа
- Практическое задание. Часть 1
- Практическое задание. Часть 2
03Линейная регрессия
- Постановка задачи
- Функции потерь и метрики качества
- Аналитическое решение
- Реализация на Python
- Переобучение и регуляризация
04Градиентный спуск
- Задача оптимизации
- Градиентный спуск
- Модификации градиентного спуска
- Контроль шага обучения
05Конструирование признаков
- Конструирование признаков
- Кодирование категориальных признаков
- Числовые признаки
- Создание новых признаков
- Временные признаки
- Тест
06Классификация
- Постановка задачи
- Бинарная классификация
- Многоклассовая классификация
- Multi-label классификация
- Нелинейные методы классификации
- Метрики качества классификации
- Тест
07Деревья решений
- Концепция метода
- Критерии информативности
- Переобучение и способы борьбы с ним
- Тест
08Ансамблевые методы
- Концепция метода
- Разложение ошибки
- Бэггинг
- Случайный лес
- Тест
09Градиентный бустинг
- Концепция метода
- XGBoost
- LightGBM
- CatBoost
- Тест
10Обучение без учителя. Кластеризация
- Концепция обучения без учителя
- Кластеризация
- Метрики качества
- Алгоритмы кластеризации. K-means
- Алгоритмы кластеризации: агломеративная кластеризация
- Алгоритмы кластеризации: DBSCAN
- Тест
11Обучение без учителя. Понижение размерности
- Постановка задачи
- Немножко математики
- PCA
- t-SNE
- Тест
12Подготовка к собеседованиям
- Подготовка к собеседованиям
13Итоговый проект
- In vino veritas
14Жизнь послe Jupyter
- Переходим к MLOps
- Добавляем Airflow
01Введение
- О курсе
- История машинного обучения
- Задачи, которые решает ML
- Базовые средства и инструменты разработки
- Глоссарий
02Разведочный анализ данных
- Сбор, хранение и обработка данных
- Базовый анализ данных
- Заполнение пропусков
- Однофакторный анализ
- Двухфакторный анализ
- Многомерный анализ
- Обработка выбросов
- Исследование целевой переменной
- Инструменты быстрого анализа
- Практическое задание. Часть 1
- Практическое задание. Часть 2
03Линейная регрессия
- Постановка задачи
- Функции потерь и метрики качества
- Аналитическое решение
- Реализация на Python
- Переобучение и регуляризация
04Градиентный спуск
- Задача оптимизации
- Градиентный спуск
- Модификации градиентного спуска
- Контроль шага обучения
05Конструирование признаков
- Конструирование признаков
- Кодирование категориальных признаков
- Числовые признаки
- Создание новых признаков
- Временные признаки
- Тест
06Классификация
- Постановка задачи
- Бинарная классификация
- Многоклассовая классификация
- Multi-label классификация
- Нелинейные методы классификации
- Метрики качества классификации
- Тест
07Деревья решений
- Концепция метода
- Критерии информативности
- Переобучение и способы борьбы с ним
- Тест
08Ансамблевые методы
- Концепция метода
- Разложение ошибки
- Бэггинг
- Случайный лес
- Тест
09Градиентный бустинг
- Концепция метода
- XGBoost
- LightGBM
- CatBoost
- Тест
10Обучение без учителя. Кластеризация
- Концепция обучения без учителя
- Кластеризация
- Метрики качества
- Алгоритмы кластеризации. K-means
- Алгоритмы кластеризации: агломеративная кластеризация
- Алгоритмы кластеризации: DBSCAN
- Тест
11Обучение без учителя. Понижение размерности
- Постановка задачи
- Немножко математики
- PCA
- t-SNE
- Тест
12Подготовка к собеседованиям
- Подготовка к собеседованиям
13Итоговый проект
- In vino veritas
14Жизнь послe Jupyter
- Переходим к MLOps
- Добавляем Airflow
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 «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)
