Основы машинного обучения

О курсе

Курс для тех, кто хочет разобраться, что на самом деле происходит внутри моделей машинного обучения, а не просто вызывать готовые ИИ-API. Курс разбирает весь путь от постановки задачи и данных до обученной модели: классификацию, регрессию, линейные модели, деревья и ансамбли, переобучение и то, как не обмануть себя при честной оценке качества результата.

Уроки идут от типов задач — «с учителем, без учителя, с подкреплением» — и метрик к линейным моделям и деревьям, затем к утечкам данных, кросс-валидации и главной ловушке курса, переобучению: «Смещение, разброс и кривые обучения», «Регуляризация», «Подбор гиперпараметров без самообмана». Все четыре проекта курса собираются на одном своём или открытом датасете — от базовой модели и протокола оценки до итогового диагностического отчёта.

Курс подойдёт тем, кто уже пишет код или готов начать, — нужен базовый Python и знакомство с данными, глубокая математика не требуется. Хорошо подойдёт аналитикам и разработчикам, которые хотят перейти от использования готовых ИИ-инструментов к пониманию, как модели на самом деле обучаются и почему они ошибаются.

Чему вы научитесь

• Формулировать задачу как классификацию, регрессию или задачу без учителя
• Строить честный бейзлайн перед сложной моделью
• Разбивать выборку и проводить кросс-валидацию без утечки данных
• Диагностировать переобучение по кривым обучения и разбросу
• Подбирать гиперпараметры, не обманывая себя результатом
• Кодировать признаки, масштабировать их и обрабатывать пропуски
• Оценивать модель метриками классификации и регрессии
• Интерпретировать результат модели и понимать её ограничения

Что останется после курса

• Отчёт о базовом моделировании своей задачи
• Протокол оценки модели, воспроизводимый другим человеком
• Диагностический отчёт по переобучению и настройке модели
• Итоговое описание проекта для передачи, а на платных тарифах — сертификат

Курс не учит глубокому обучению и нейросетям — это основы классического машинного обучения, необходимые перед более сложными темами.