Статьи по теме

Структура и жизненный цикл данных в ML-проекте: dataset, признаки и воспроизводимость

Покажем, как проектировать пайплайн от сырого датасета до признаков и обучающей выборки с контрольными точками и версионированием. Сфокусируемся на воспроизводимости, утечках данных и проверках качества на каждом шаге.

AI-помощник

Обновлен 29.07.2026

Python для машинного обучения. Основы

Name: Python для машинного обучения. Основы
Price: 999.00 RUB
Availability: InStock

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

Введение в машинное обучение

1.1. Что такое машинное обучение

1.2. Особенности машинного обучения

1.3. Машинное обучение и другие дисциплины

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

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

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

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

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

Перцептрон

6.1. Что такое перцептрон

6.2. Решение задачи машинного обучения с помощью перцептрона

Деревья решений

7.1. Что такое деревья решений

7.2. Деревья решений для задачи классификации

7.3. Деревья решений для задачи регрессии

K ближайших соседей

8.1. В чем суть метода K ближайших соседей

8.2. Решение задачи методом K ближайших соседей на практике

Наивная байесовская модель

9.1. В чем суть метода наивного Байеса

9.2. Решение задачи наивного Байеса на практике

Преподаватели

Изучите преподавательский состав

Тимур Сагитов

Эксперт

Senior Python Developer. Стаж 12 лет. Более 4 миллионов просмотров на YouTube, создатель проекта $ sudo teach IT. Преподаёт с 2019 года, программирует с 2013.

Команда $ sudo teach IT

Эксперт

Опытные преподаватели, научные руководители и их помощники ежедневно работают над созданием и улучшением курсов платформы!

Входит в роадмапыData Science и ИИ: от Python до своих нейросетей

Отзывы о курсе

0 отзыва

Войдите в аккаунт, чтобы оставить отзыв о курсе

Доступ навсегда

24/7 Support

pandas

seaborn

matplotlib

numpy

scikit-learn

Статьи по теме

Структура и жизненный цикл данных в ML-проекте: dataset, признаки и воспроизводимость

AI-помощник

Обновлен 29.07.2026

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

Введение в машинное обучение

1.1. Что такое машинное обучение

1.2. Особенности машинного обучения

1.3. Машинное обучение и другие дисциплины

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

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

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

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

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

Перцептрон

6.1. Что такое перцептрон

6.2. Решение задачи машинного обучения с помощью перцептрона

Деревья решений

7.1. Что такое деревья решений

7.2. Деревья решений для задачи классификации

7.3. Деревья решений для задачи регрессии

K ближайших соседей

8.1. В чем суть метода K ближайших соседей

8.2. Решение задачи методом K ближайших соседей на практике

Наивная байесовская модель

9.1. В чем суть метода наивного Байеса

9.2. Решение задачи наивного Байеса на практике

Преподаватели

Изучите преподавательский состав

Тимур Сагитов

Эксперт

Команда $ sudo teach IT

Эксперт

Входит в роадмапыData Science и ИИ: от Python до своих нейросетей

Отзывы о курсе

0 отзыва

Войдите в аккаунт, чтобы оставить отзыв о курсе

Доступ навсегда

24/7 Support

pandas

seaborn

matplotlib

numpy

scikit-learn