AI-помощник
Обновлен 12.11.2026
Математика для машинного обучения: градиентный спуск, MSE и NumPy
Разберётесь, что происходит внутри fit(), и соберёте свою мини-библиотеку ML на NumPy: от прогноза цены аренды до A/B-теста.
Практические задания
Помощь от учителя
Поддержка 24/7
Программа курса
11 разделов • 48 уроков
1
Данные и NumPy
1.4. Практикум: базовая модель
2
Векторы
2.1. Квартира как вектор
2.2. Скалярное произведение
2.3. Длина и расстояние
2.4. Косинусная близость
2.5. Практикум: похожие квартиры
3
Матрицы
3.1. Матрица как таблица
3.2. Матрица на вектор
3.3. Умножение матриц
3.4. Стандартизация признаков
3.5. Практикум: модель вручную
4
Ошибки модели
4.1. Остатки и функция потерь
4.2. MAE, MSE и RMSE
4.3. Среднее против медианы
4.4. Практикум: сравниваем модели
5
Производные
5.1. Производная как скорость
5.2. Правила дифференцирования
5.3. Производная функции потерь
5.4. Частные производные и градиент
5.5. Практикум: проверка градиента
6
Градиентный спуск
6.1. Идея градиентного спуска
6.2. Шаг обучения
6.3. Спуск для линейной регрессии
6.4. Мини-батчи и SGD
6.5. Практикум: обучаем модель цен
7
Точное решение
7.1. Метод наименьших квадратов
7.2. Переобучение и тестовая выборка
7.3. Регуляризация L2
7.4. Практикум: формула против спуска
8
Вероятности
8.1. Вероятность как частота
8.2. Условная вероятность
8.3. Формула Байеса
8.4. Случайные величины
8.5. Практикум: сдача квартир
9
Классификация
9.1. Сигмоида и вероятность
9.2. Логистическая функция потерь
9.3. Метрики классификации
9.4. Практикум: сдастся ли за неделю
10
Статистика
10.1. Описательная статистика
10.2. Бутстрэп и интервалы
10.3. Проверка гипотез
10.4. Практикум: A/B-тест фото
11
PCA и финал
11.1. Собственные векторы
11.2. Метод главных компонент
11.3. Финал и куда дальше
Преподаватели
Изучите преподавательский состав
Отзывы о курсе
0 отзыва
Войдите в аккаунт, чтобы оставить отзыв о курсе
Доступ навсегда
24/7 Support
NumPy
линейная алгебра
производные
градиент
градиентный спуск
MSE
MAE
логистическая регрессия
вероятности
статистика
PCA