.jpg)
Обучающая программа
Структурированный путь обучения для тех, кто хочет разобраться в ML-алгоритмах без лишней теории
Что вы будете изучать
Основы и подготовка данных
Начнём с базовых концепций и научимся работать с данными правильно. Без этого дальше никак.
- Типы обучения и постановка задач
- Предобработка и очистка данных
- Работа с признаками
- Разделение данных и валидация
Линейные модели
Простые, но мощные алгоритмы для регрессии и классификации. Работают чаще, чем кажется.
- Линейная и логистическая регрессия
- Регуляризация L1 и L2
- Градиентный спуск и оптимизация
- Метрики качества моделей
Деревья решений
Интуитивные алгоритмы, которые легко объяснить. Основа для более сложных методов.
- Построение и обрезка деревьев
- Критерии разбиения узлов
- Случайный лес и баггинг
- Интерпретация результатов
Градиентный бустинг
То, что реально используют в продакшене. XGBoost, LightGBM и как их настраивать.
- Принципы бустинга
- XGBoost и LightGBM на практике
- Настройка гиперпараметров
- Борьба с переобучением
Кластеризация
Обучение без учителя для поиска скрытых структур в данных.
- K-means и его вариации
- Иерархическая кластеризация
- DBSCAN для сложных форм
- Оценка качества кластеризации
Практические проекты
Применяем всё изученное на реальных датасетах и решаем конкретные задачи.
- Предсказание оттока клиентов
- Рекомендательные системы
- Анализ временных рядов
- Деплой модели в production
Как проходит обучение
Мы разбили программу на этапы, которые логически следуют друг за другом
Вводный модуль
Знакомимся с Python библиотеками для ML, настраиваем окружение, разбираемся с основными понятиями. Изучаем pandas и numpy для работы с данными. Первые простые модели на готовых датасетах.
14 часов видеоБазовые алгоритмы
Детально разбираем линейные модели и деревья решений. Учимся оценивать качество, подбирать гиперпараметры, понимать когда какой алгоритм использовать. Много практики на разных задачах.
22 часа видео + заданияПродвинутые методы
Погружаемся в градиентный бустинг и ансамбли. Разбираем реальные кейсы с соревнований Kaggle, учимся feature engineering и работе с большими датасетами. Настройка моделей для максимальной точности.
28 часов видео + проектыФинальный проект
Работаете над полноценным ML-проектом от начала до конца: исследуете данные, строите pipeline, обучаете модели, деплоите результат. Получаете обратную связь от практикующих ML-инженеров.
Индивидуальная работаНачните учиться сегодня
Программа уже открыта для записи. Присоединяйтесь к следующему потоку и получите доступ ко всем материалам сразу после регистрации.
- Доступ к записям всех лекций без ограничений
- Практические задания с проверкой кода
- Поддержка в чате курса
- Сертификат после успешного завершения