Машинное обучение — это ядро современного ИИ. В курсе мы рассматриваем, как алгоритмы «учатся» находить паттерны в данных, делают прогнозы и улучшают свою точность. Разбираем каждый ключевой тип задач: от предсказания числовых значений до автоматической классификации изображений.
Понять разницу между обучением с учителем и без учителя
Разобрать работу линейной и логистической регрессии
Изучить деревья решений и ансамблевые методы
Понять метрики качества модели и избегать переобучения
Разобрать кластеризацию и методы снижения размерности
Рассмотреть процесс построения пайплайна от данных до продакшена
01Что такое ML: парадигма вместо правил30 мин›
02Типы данных и их роль в обучении25 мин›
03Обучение с учителем: регрессия38 мин›
04Обучение с учителем: классификация35 мин›
05k-Nearest Neighbors и Naive Bayes28 мин›
06Деревья решений: как и почему они работают40 мин›
07Random Forest и Gradient Boosting42 мин›
08SVM: Support Vector Machines34 мин›
09Метрики: accuracy, precision, recall, F130 мин›
10Переобучение и регуляризация32 мин›
11Обучение без учителя: кластеризация k-means36 мин›
12Снижение размерности: PCA и t-SNE28 мин›
13Рекомендательные системы30 мин›
14Обучение с подкреплением: введение26 мин›
15Feature Engineering: как улучшить данные33 мин›
16MLOps: от эксперимента к продакшену28 мин›
17Кейс: предсказание оттока клиентов40 мин›
18Итоговый тест и маршрут продвинутого обучения20 мин›