Курс Прикладное ML

Машинное обучение на Python: pandas, scikit-learn, PyTorch и локальные LLM — с замерами, которые не раз опровергают учебник.

Курс готовится к публикации

Материалы курса написаны и проверены, идёт подготовка к выходу на сайте: программа ниже — настоящая. Открытые курсы можно читать уже сейчас, а о запуске этого напишите — ответим, когда он появится.

Открытые курсы Спросить о запуске

Модулей: 16
Ак. часов: 204
Разделов: 163

Что нужно знать заранее. Python на уровне функций, циклов, списков и словарей; умение запустить скрипт из терминала; школьная математика — проценты, среднее, доля, координатная плоскость. НЕ требуются: матанализ, линейная алгебра в объёме вуза, видеокарта, платные аккаунты, опыт работы с данными.

Программа курса

16 модулей; каждый — полноценное занятие с теорией, листингами, практикой и домашним заданием.

1
Что такое машинное обучение и когда оно не нужно
Машинное обучение начинается там, где правило нельзя написать руками. Пока вы можете сформулировать «если сумма заказа больше десяти тысяч, дай скидку пять…
Предпосылки курсаОкружение и версииПравило против обученияПервый работающий примерТипы задачГраницы курса по железу
2
Данные в pandas
Работа с данными занимает большую часть времени в любом проекте машинного обучения, и это не преувеличение из статей, а свойство задачи: алгоритм пишется одной…
DataFrame и SeriesПервый взгляд на наборВыбор строк и колонокПропускиДубли и разнобойГруппировкиПрисваивание, которое молчит
3
Разведочный анализ и визуализация
Разведочный анализ — этап между чисткой данных и обучением модели. Цель у него не «нарисовать красиво», а найти в наборе то, о чём вы не подозревали: неожиданную…
Что не видно в числахMatplotlib и SeabornРаспределенияВыбросыДиаграмма рассеянияКорреляцияКорреляция не причинностьПрофили по времени
4
Подготовка признаков и утечка данных
Модель не умеет читать таблицу. Она принимает матрицу чисел, и всё, что стоит между вашим CSV и этой матрицей, — работа этого модуля: категории превращаются в…
Что модель видит вместо таблицыКодирование категорийМасштабированиеПропускиНовые признакиУтечка из будущегоУтечка через подготовкуКонвейер
5
Первая модель: метод ближайших соседей
Четыре модуля мы готовили данные. Теперь обучим первую модель по-настоящему: с честным разбиением выборки, с baseline, с матрицей ошибок и с разбором того, что…
Разбиение выборкиУстройство kNNЧисло соседейBaselineМатрица ошибокТочность и полнотаПорогКогда доля верных ответов врёт
6
Линейные модели
Линейные модели — самые старые и самые объяснимые из всех. Их главная ценность не в качестве предсказаний: на многих задачах деревья и бустинг обходят их…
Линейная регрессияMAE, RMSE и R2Baseline регрессииОстаткиКоэффициентыМультиколлинеарностьРегуляризацияЛогистическая регрессия
7
Деревья решений и ансамбли
Дерево решений — единственная модель курса, устройство которой можно объяснить человеку, никогда не слышавшему про машинное обучение: это последовательность…
Дерево решенийГлубина и переобучениеЧто дерево не умеетСлучайный лесГрадиентный бустингВажность признаковСравнение моделей
8
Метод опорных векторов
Метод опорных векторов строит границу между классами по особому правилу: не просто разделить, а разделить с наибольшим запасом…
Идея зазораОпорные векторы и параметр CМасштабированиеЯдраПараметр gammaГраницы решенийОграничение по объёму данных
9
Обучение без учителя
До сих пор у каждого объекта был правильный ответ, и модель училась его воспроизводить. Теперь ответов нет вовсе…
Задачи без ответовk-MeansВыбор числа кластеровЧто ломает k-MeansИерархическая кластеризация и DBSCANМетод главных компонентPCA перед модельюСегментация поездок
10
Валидация и подбор гиперпараметров
Начиная с четвёртого модуля почти все замеры опирались на перекрёстную проверку, и мы пользовались ею как готовым инструментом…
Одно разбиение против перекрёстной проверкиЧисло фолдовСтратификацияЧто означает разбросПоиск по сеткеВложенная проверкаСлучайный поискКривая обучения
11
Нейронные сети на PyTorch
Нейронная сеть — это последовательность линейных преобразований с нелинейной функцией между ними…
Нейрон и слойЦикл обученияЭпохи и пакетыСкорость обученияПереобучениеРегуляризацияКогда сеть не нужна
12
Свёрточные сети и изображения
Картинка — это тоже таблица чисел, и одиннадцатый модуль уже показал, что полносвязная сеть с ней справляется: на цифрах восемь на восемь она дала долю верных…
Почему полносвязная сеть плоха для картинокСвёрткаПодвыборкаСборка сетиАугментацияПеренос обученияКуда идти дальше
13
Последовательности и временные ряды
Временной ряд нарушает главное молчаливое допущение всех предыдущих модулей: там объекты были независимы, здесь каждое значение связано с соседними…
Чем ряд отличается от таблицыРазбиение по времениBaselineЗавышение от перемешиванияПризнаки-лагиРекуррентные сети RNN, LSTM и GRUЧто выбрать
14
Локальная языковая модель в прикладной задаче
Три предыдущих модуля строили модели по числам. Этот — про текст, и в нём появляется третий способ решать задачу: не обучать модель вовсе, а попросить готовую…
Задача классификации текстаМешок слов и TF-IDFПроверка на новых формулировкахЭмбеддинги как признакиМодель без обученияПримеры в промптеЧто выбрать
15
Адаптация моделей
Готовая языковая модель отвечает разумно, но не так, как нужно вашей задаче: длиннее, чем надо, не тем тоном, без ваших фактов и не в том формате…
Четыре уровня адаптацииModelfileЧего промпт не делаетЗнания контекстомУстройство дообученияLoRAГраница по железуЧто выбрать
16
Итоговые проекты
Пятнадцать модулей дали инструменты. Итоговая работа проверяет другое: умеете ли вы довести задачу от сырых данных до числа, которому можно верить, и объяснить это…
Как устроена итоговая работаПроект «Классификация изображений»Проект «Прогноз ряда»Проект «Локальный ассистент»Обязательный минимумОтчётПлан работы

← Ко всем курсам