Чему вы научитесь
- Понимать основные задачи и подходы классического машинного обучения.
- Подготавливать данные и формировать признаки для обучения моделей.
- Решать задачи регрессии и классификации.
- Работать с линейными моделями, деревьями решений и ансамблевыми алгоритмами.
- Оценивать модели с помощью подходящих метрик качества.
- Разделять данные на обучающую и проверочную выборки и применять кросс-валидацию.
- Подбирать гиперпараметры и сравнивать модели.
- Распознавать переобучение и предотвращать утечку данных.
- Интерпретировать предсказания с помощью Feature Importance, Permutation Importance и SHAP.
- Применять ML-подходы к практической задаче кредитного скоринга.
- Выполнять кластеризацию с помощью KMeans и DBSCAN.
- Оценивать качество кластеризации и применять PCA для снижения размерности.
О курсе
Как построить модель машинного обучения, правильно оценить её качество и понять, почему она принимает те или иные решения?
В этом курсе вы последовательно познакомитесь с основными методами классического Machine Learning и научитесь применять их на Python. Вы пройдёте путь от подготовки данных и формирования признаков до обучения моделей, проверки качества и интерпретации результатов.
Вы разберётесь в задачах регрессии и классификации, изучите линейные модели, деревья решений и ансамблевые методы, включая градиентный бустинг. Научитесь выбирать метрики под конкретную задачу, сравнивать модели и настраивать их гиперпараметры.
Отдельное внимание уделяется тому, что часто определяет успех ML-проекта на практике: корректному разделению данных, кросс-валидации, переобучению, утечке данных и надёжной оценке качества. Вы также познакомитесь с интерпретацией моделей через Feature Importance, Permutation Importance и SHAP и примените эти подходы в практической задаче кредитного скоринга.
В заключительной части курса вы изучите обучение без учителя, освоите кластеризацию с помощью KMeans и DBSCAN, оценку качества кластеров и снижение размерности с помощью PCA.
Главный принцип курса: меньше заучивания, больше понимания и практики. Вы не просто знакомитесь с названиями алгоритмов, а учитесь разбираться в их результатах, ограничениях и условиях применения.
Для кого этот курс
Начальные требования
Для комфортного прохождения желательно знать основы Python и уметь работать с переменными, функциями, условиями и циклами.
Будет полезно иметь базовое представление о табличных данных и библиотеках NumPy и pandas. Знакомство с основами статистики и линейной алгебры поможет лучше понять математическую сторону алгоритмов, но углублённая подготовка в этих областях не обязательна.
Предварительный опыт построения ML-моделей не требуется.
Как проходит обучение
Курс сочетает объяснение концепций с последовательными практическими заданиями. По мере обучения вы переходите от подготовки данных и базовых моделей к более сложным методам, оценке качества, настройке и интерпретации результатов.
Вы будете самостоятельно решать задачи, анализировать результаты вычислений и проверять понимание материала. В практической части используются Python и библиотеки для анализа данных и машинного обучения, в том числе scikit-learn.
В заданиях важно не просто получить правильный ответ, но и понять, почему выбранный подход работает, какие ограничения у него есть и как проверить надёжность результата.
Если по ходу обучения возникают вопросы, можно использовать комментарии к шагам курса и формы обратной связи.
Программа курса
В курс входят
- 51 урок
- 252 теста
Наши преподаватели
Что вы получаете
- Системное представление об основных направлениях классического машинного обучения.
- Практический опыт применения алгоритмов регрессии, классификации и кластеризации.
- Понимание метрик качества, валидации и настройки моделей.
- Знакомство с методами интерпретации предсказаний, включая SHAP.
- Практику анализа результатов и поиска типичных ошибок при построении моделей.
- Базу знаний для дальнейшего изучения ML Engineering, углублённого машинного обучения и подготовки к техническим собеседованиям.
- Сертификат Stepik: после выполнения установленных условий прохождения курса вы сможете получить сертификат, если его выдача предусмотрена настройками курса на платформе.