Чему вы научитесь
- Читать и писать короткие программы на Python: циклы, списки, словари, функции, чтение CSV
- Считать среднее, медиану, разброс, вероятности и расстояния и понимать, что означают эти числа
- Работать с массивами NumPy и таблицами pandas, аккуратно обращаться с пропусками и дубликатами
- Готовить признаки для модели и не допускать утечки данных из будущего
- Честно оценивать модели: разбиение на train, validation и test, кросс-валидация, precision, recall, F1, MAE, ROC-AUC
- Обучать деревья решений, ближайших соседей, линейные модели, случайный лес и градиентный бустинг в scikit-learn
- Понимать основы нейросетей: градиентный спуск, свёртки, представление изображений и текста в виде чисел
- Ускорять решения с помощью бинарного поиска, скользящего окна и поиска в ширину
- Проходить пробный отбор и ML-тур и оформлять воспроизводимый результат
О курсе
Курс учит читать условие задачи по искусственному интеллекту, выбирать способ решения, проверять программу и объяснять полученный результат. Задачи и данные созданы для обучения; курс не воспроизводит официальный отбор конкретной олимпиады и не обещает место на соревновании.
Сначала читатель обучает небольшое дерево решений, затем разбирает Python для обработки измерений, средние, вероятность, векторы и градиентный спуск. Массивы NumPy и таблицы pandas готовят к работе с признаками и пропусками.
Следующая часть посвящена разбиению данных, утечкам, метрикам, соседям, линейным моделям, деревьям, ансамблям и воспроизводимому сравнению. Нейросетевые примеры показывают обучение небольшой сети и извлечение признаков изображения предобученной MobileNet. Текстовая классификация выполняется через TF-IDF и логистическую регрессию; эмбеддинги объясняются как другой способ представления текста.
В конце соединяются бинарный поиск, скользящее окно, поиск в ширину, пробный отбор, три задачи ML-тура и финальная отправка CSV. Маленькие формулы и примеры разобраны по шагам; работу библиотек и моделей проверяют запуском приложенных проектов. Все данные учебные и вымышленные.
В каждом уроке есть собственный полный архив для самостоятельного запуска. Готовые решения отмечены как материал для сверки после попытки. Программные практики используют открытые локальные проверки; 122 вопроса с выбором или вводом ответа проверяются в Stepik. Высокая метрика на маленьком учебном наборе не доказывает качество на будущих данных.
Для кого этот курс
Начальные требования
- Базовый Python: переменные, условия, циклы, списки; умение запускать программу в терминале.
- Школьная математика: дроби, проценты, степени и квадратный корень.
- Компьютер с Python 3.13. Команды проектов проверены в Windows на CPU; видеокарта не требуется.
- Интернет для первой установки зависимостей и первого скачивания официальных весов MobileNet в уроке об изображениях.
Как проходит обучение
Каждый урок состоит из подробной теории с примерами и иллюстрациями, практического задания и нескольких проверочных вопросов с разбором. Практические задания выполняются на вашем компьютере: вы скачиваете архив с заготовкой, пишете функцию и запускаете готовую проверку. Тестовые вопросы на Stepik проверяются автоматически, после ответа показывается объяснение.
Рекомендуемый темп — один-два урока в неделю; модули можно проходить в своём ритме.
Программа курса
В курс входят
- 35 уроков
- 122 теста
Наши преподаватели
Что вы получаете
- 35 уроков с подробной теорией и примерами на выдуманных учебных данных
- 122 задания с автоматической проверкой и объяснением после ответа
- Архивы с заготовками функций и проверочными скриптами для практики на своём компьютере
- Пробный отбор, пробный ML-тур и финальная задача с разбором
- Умение довести незнакомую задачу до воспроизводимого результата