Ко всем курсам

Программа курса

Основы машинного обучения

Классические алгоритмы, метрики, подготовка данных и валидация.

Системное введение в модели, обучение, гиперпараметры и оценку качества. Итог — полноценный ML-проект.

12 недельОнлайн + практикумБазовый / средний

Записаться ← Все курсы

Чему вы научитесь

Применять линейные модели и деревья
Правильно валидировать и подбирать гиперпараметры
Готовить данные и строить ML-пайплайны
Создавать проекты для портфолио

Для кого

Начинающие ML-специалисты
Data/BI-аналитики
Разработчики и студенты тех направлений

Программа

Введение: задачи, данные, переобучение
Линейные модели: регрессия, градиентный спуск, регуляризация
Логистическая регрессия и метрики классификации
Метрики качества: accuracy, precision, recall, F1, ROC-AUC
Деревья решений: критерии, глубина, контроль переобучения
Ансамбли: bagging, Random Forest, boosting, XGBoost
Кластеризация: K-means, выбор k, EM-алгоритм
Подготовка данных: нормализация, пропуски, encoding
Валидизация: hold-out, k-fold, grid/random search
PCA: снижение размерности, визуализация
Продвинутые темы: регуляризация, стохастические методы, большие данные
Итоговый проект: обучение модели и презентация

Формат обучения

Лекции и практические задания
Jupyter Notebook
Проектная работа
Поддержка менторов

Итоги обучения

Полноценный ML-проект
Сертификат
База для дальнейшего изучения DL/CV/NLP

Готовы в ML?

Запишитесь и соберите свой первый ML-пайплайн.

Записаться Связаться