AI-помощник
Обновлен 22.09.2026
Python для машинного обучения. Основы
Машинное обучение это популярнейшее и востребованное направление в сфере IT, с использованием языка Python.
Практические задания
Помощь от учителя
Поддержка 24/7
Программа курса
9 разделов • 34 уроков
1
Введение в машинное обучение
1.4. Что означает понятие обучение
1.5. Свойства модели машинного обучения
1.6. Что необходимо для машинного обучения
1.7. Какие бывают виды машинного обучения
2
Особенности регрессии как задачи машинного обучения
2.1. Что такое регрессия
2.2. Постановка задачи регрессии
2.3. Виды регрессии
2.4. Что такое функция ошибки
2.5. Решение задачи регресии на практике
3
Особенности классификации как задачи машинного обучения
3.1. Что такое классификация
3.2. Свойства задачи классификации
3.3. Понятие логистической регрессии
3.4. Что такое граница принятия решений
3.5. Решение задачи классификации на практике
4
Модели полиномиальной регрессии и классификации
4.1. Что такое полиномиальная модель
4.2. Решение задачи полиномиальной парной регрессии на практике
4.3. Решение задачи полиномиальной классификации на практике
5
Метод опорных векторов
5.1. Метод опорных векторов с линейно разделимыми классами
5.2. Задача с линейно разделимыми классами
5.3. Метод опорных векторов с линейно неразделимыми классами
5.4. Задача с линейно неразделимыми классами с зазором
5.5. Задача с линейно неразделимыми классами без зазора
6
Перцептрон
6.1. Что такое перцептрон
6.2. Решение задачи машинного обучения с помощью перцептрона
7
Деревья решений
7.1. Что такое деревья решений
7.2. Деревья решений для задачи классификации
7.3. Деревья решений для задачи регрессии
8
K ближайших соседей
8.1. В чем суть метода K ближайших соседей
8.2. Решение задачи методом K ближайших соседей на практике
9
Наивная байесовская модель
9.1. В чем суть метода наивного Байеса
9.2. Решение задачи наивного Байеса на практике
Преподаватели
Изучите преподавательский состав
Отзывы о курсе
0 отзыва
Войдите в аккаунт, чтобы оставить отзыв о курсе
Доступ навсегда
24/7 Support
pandas
seaborn
matplotlib
numpy
scikit-learn