«База ML [Тариф 1] [MLinside]» [Илья Ирхин, Виктор Кантор, Никита Зелинский]

Ваши результаты после курса: Научитесь строить ML модели на Python и подготовитесь к ML-секции собеседования на Junior Для кого этот курс Полные новички и Junior в ML Аналитики Сможешь решать рабочие задачи с применением ML, создавать собственные проекты Разработчики Быстрее и качественнее будешь приходить к результату, возглавишь ML отдел Менеджеры Сможешь свободно общаться с командой на одном языке, самостоятельно оценивать сроки и результаты работы Перед курсом освежите знания или попробуйте разобраться с нуля в необходимой для старта базе: 1.Что такое матрицы и как их перемножать 2.Что такое производная и как ее считать 3.Что такое градиент функции, и куда он направлен 4.Что такое матожидание и дисперсия и как их оценивать по выборке 5.Что такое нормальное распределение, откуда оно берется и зачем нужно 6.Как поставить себе на компьютер Jupyter Notebook и как писать на Python циклы, условные операторы, вывод на печать, как и зачем импортировать библиотеки SVM Итого, преимущества линейных моделей Пример линейной модели на текстовой задаче Статистические тесты Предпосылки линейной регрессии Пропуски в фичах Выбросы и модификация таргета Робастые регрессии Деревья и ансамбли 1: лекции Решающие деревья и ансамбли Бэггинг над деревьями и случайный лес Градиентный бустинг Дополнительное чтение Деревья и ансамбли 2: семинары Решающее дерево Устойчивость решающего дерева Бэггинг над решающими деревьями Бустинг vs RandomForest Bias-variance trade off на практике Простые методы машинного обучения Метод k ближайших соседей (kNN) Наивный байесовский классификатор Знакомство с обучением без учителя (unsupervised learning) Задача кластеризации Метод K средних (K-means) Иерархическая кластеризация Понижение размерности пространства признаков Дополнительное чтение Знакомство с нейросетями: лекции Что такое нейронные сети Обучение нейросетей с помощью SGD Математическое дополнение: граф вычислений и автоматическое дифференцирование Обучение нейросетей: backpropagation Проблемы обучения нейросетей Введение в нейронные сети: семинары Подготовка блоков и однослойная сеть Двухслойная сеть Pytorch для простой сети и выбор оптимизатора Виктор Кантор. Никита Зелинский Модуль 3. Оценка качества 2 недели Метрики: лекции Лекция: вступление Лекция: классификация Лекция: регрессия Лекция: пример подбора метрики Лекция: валидация моделей Лекция: переход в онлайн Правильные ответы на тест Дополнительное чтение Метрики классификации: семинары Семинар: основные метрики Семинар: кривые качества Семинар: log loss Метрики регрессии: семинары Семинар: основные метрики Семинар: свойства оптимизации Семинар: усложненные версии оптимизацииВалидация: семинары Семинар: переобучение Семинар: подбор гиперпараметров A/B-тестирование: лекции Лекция: вступление Лекция: математический аппарат и основы Лекция: примеры критериев Лекция: реалии A/B-тестирования Лекция: бакетное сэмплирование Правильные ответы на тест A/B-тестирование: семинары Семинар: вступление Семинар: ЦПТ Семинар: scipy Семинар: pvalue Семинар: сим тесты Семинар: бакетное сэмплированиеИлья Ирхин Модуль 4. Разбор и практика решений задач с собеседований 4 недели Лекции: Вопросы на вывод классических методов машинного обучения и поведение метрик (вопросы вида "объясните почему оптимизация log loss приводит к оценкам вероятностей") Семинары: Задачи про классические методы и метрики (задачи вида "XGBoost дает негативные прогнозы в регрессии, обучившись только на позитивных примерах, как такое возможно?") Задания: финальное соревнование по ML и тесты с задачами с собеседований4 неделиСеминары: Задачи на теорию вероятностей и математическую статистику (задачи вида "посчитайте вероятность", "посчитайте матожидание", "примените статистический критерий" и др.) Тариф 1 Подготовительный + База ML Модуль подготовки к обучению: математика и основы Python Модуль базового ML Практические задачи Дата старта курса: 13 октября 2025 - 4 поток