Терминал Linux (bash)
Основы Linux
Командная строка с нуля: файлы, права, процессы, сеть, bash-скрипты и SSH — в терминале учебной Ubuntu.
Курс по подписке
Основы машинного обучения: от первой модели до готового ML-проекта
Поймите, как машина учится на данных, — и обучите свою первую модель уже сегодня
- 10 модулей
- 30+ практических заданий
- Автоматическая проверка
- На русском
Получить доступ к курсу
Курс по подписке · Обучение в своём темпе
О курсе
Что это за курс?
Машинное обучение — не магия и не сплошная математика. Это набор приемов, чтобы программа находила правила сама, по примерам, а не по строкам кода, которые кто-то написал вручную. В этом курсе вы пройдете весь путь практического ML: от вопроса «это вообще задача для машинного обучения?» до конвейера, который читает сырой CSV, готовит признаки, обучает модель, честно ее оценивает и выдает отчет. Формул — минимум, кода и реальных ситуаций — много.
Аудитория
Для кого этот курс?
-
Знаете базовый Python
Пройдете путь от первой модели в scikit-learn до конвейера, который читает сырой CSV, обучает модель и выдает отчет.
-
Еще не работали с pandas
Нужные приемы объяснены в курсе, а scikit-learn, pandas и NumPy уже есть в среде — устанавливать ничего не нужно.
-
Хотите понять, как учится модель
Сначала на чистом Python сами напишете k ближайших соседей, метрики и k-means, чтобы понимать, что делает библиотека.
Сначала нужна подготовка
Курс опирается на знания, отмеченные ниже как обязательные.
Нужно знать
-
Базовый Python (переменные, списки, словари, циклы, функции).
Подробнее
- Опыт с pandas полезен, но не обязателен: нужные приемы объяснены в курсе, а чтение входных данных в заданиях уже написано.
- Устанавливать ничего не нужно — scikit-learn, pandas и NumPy уже есть в среде выполнения.
Если этих знаний ещё нет — пройдите курсы по порядку:
- С нуля
- Обязательно Основы программирования на Python
- Этот курс Основы машинного обучения: от первой модели до готового ML-проекта
Результат
Чему вы научитесь
отличать задачи для ML от задач для обычных правил, а классификацию — от регрессии и кластеризации
находить в таблице признаки и метку, замечать идентификаторы и столбцы, которые «подсказывают» ответ
делить данные на train, validation и test — в том числе по времени — и не допускать утечки данных
обучать в scikit-learn k ближайших соседей, линейную и логистическую регрессию, дерево решений и случайный лес
оценивать регрессию через MAE, RMSE и R², а классификацию — через матрицу ошибок, precision, recall и F1, всегда сравнивая с базовой моделью
масштабировать признаки, заполнять пропуски и кодировать категории в Pipeline и ColumnTransformer
распознавать переобучение и недообучение, пользоваться кросс-валидацией и GridSearchCV
находить группы в данных без меток с помощью k-means
Формат
Как устроено обучение?
33 практических задания с автоматической проверкой на скрытых наборах данных. Первые задания — на чистом Python: вы сами «обучите» порог, напишете k ближайших соседей, метрики и k-means, чтобы понимать, что делает библиотека. Дальше — scikit-learn: задачи на отладку (утечка данных, оценка на обучающих данных, подбор параметров на тесте), рефакторинг ручного кода в Pipeline, доработка незавершенных конвейеров. Каждый раздел завершает тест на понимание, а курс — итоговый проект из двух частей.
-
Теория
19 уроков с примерами
-
Практика в браузере
30+ заданий с автоматической проверкой
-
Тесты
10 тестов для самопроверки
-
Свой темп
Онлайн на my.prog.academy, без установки программ
AI-помощник
AI-помощник рядом во время обучения
На страницах курса, уроков и заданий есть кнопка «Спросить AI». Помощник знает материалы именно этого курса и урок, на котором вы сейчас, поэтому отвечает по теме и показывает, в каких уроках об этом говорится.
-
Объяснит иначе
Не поняли урок с первого раза — попросите объяснить проще или привести ещё один пример.
-
Поможет с заданием
Застряли — подскажет, с чего начать, и поможет найти ошибку в вашем решении. Готового решения не даёт.
-
Найдёт нужную тему
Спросите, где объясняли понятие, — и получите ссылки на нужные уроки курса.
-
Продолжит разговор
Уточняйте без повторов: помощник помнит разговор, а недавние разговоры курса сохраняются.
Входит в каждый тариф оплаченной подписки — Basic и Premium. В Premium лимиты использования AI-помощника выше — им можно пользоваться активнее. Это помощник в обучении, а не генератор готовых ответов: он объясняет и подсказывает, а задания вы решаете сами.
Программа
Программа курса
10 модулей, 30+ практических заданий с автоматической проверкой и 10 тестов. Откройте модуль, чтобы увидеть все темы.
Раздел 1 — Что такое машинное обучение 2 урока · 2 практики · 1 тест
Чем обучение на примерах отличается от программирования правил, какие бывают задачи ML и из каких шагов состоит проект
- Теория Машинное обучение против правил: когда программа учится на примерах
- Практика Порог, выученный по данным
- Теория Виды задач: классификация, регрессия, кластеризация
- Практика Классификация или регрессия?
- Тест Что такое машинное обучение
Раздел 2 — Данные: признаки, метки и честное разбиение 2 урока · 3 практики · 1 тест
Признаки и метка, X и y, столбцы, которые нельзя давать модели, разбиение на train/validation/test, стратификация и разбиение по времени
- Теория Анатомия набора данных: признаки, метка, X и y
- Практика Какие столбцы могут быть признаками
- Теория Train, validation и test: зачем прятать часть данных
- Практика Три части с сохранением пропорций
- Практика Практика (отладка): прогноз, который видел будущее
- Тест Данные и разбиение
Раздел 3 — Первая модель: обучение и предсказание 2 урока · 3 практики · 1 тест
Что такое модель, fit и predict, параметры и гиперпараметры; k ближайших соседей вручную и в scikit-learn
- Теория Модель: обучение и предсказание (fit и predict)
- Практика Модель-справочник своими руками
- Теория k ближайших соседей: предсказание по похожим примерам
- Практика K-NN вручную
- Практика KNeighborsClassifier в scikit-learn
- Тест Первая модель
Раздел 4 — Регрессия: предсказываем числа 2 урока · 4 практики · 1 тест
Функция потерь и как модель учится на ошибках, LinearRegression, MAE, RMSE, R² и базовая модель для регрессии
- Теория Линейная регрессия: как модель учится на ошибках
- Практика Какая прямая лучше
- Практика LinearRegression для времени доставки
- Теория Метрики регрессии: MAE, RMSE, R² и базовая модель
- Практика Метрики регрессии вручную
- Практика Лучше ли модель среднего?
- Тест Регрессия
Раздел 5 — Классификация и ее метрики 2 урока · 5 практик · 1 тест
Логистическая регрессия и вероятности, порог решения, дерево решений и его правила, матрица ошибок, precision, recall, F1 и ловушка accuracy
- Теория Классификаторы: логистическая регрессия и дерево решений
- Практика Практика (отладка): вероятность оттока и порог
- Практика Правила, которые нашло дерево
- Теория Метрики классификации: матрица ошибок, precision, recall, F1
- Практика Precision и recall вручную
- Практика Ловушка accuracy
- Практика Порог под нужный recall
- Тест Классификация и ее метрики
Раздел 6 — Подготовка признаков в scikit-learn 2 урока · 4 практики · 1 тест
Трансформеры fit/transform, масштабирование, заполнение пропусков, one-hot кодирование, утечка данных, Pipeline и ColumnTransformer
- Теория Трансформеры: масштабирование, пропуски, категории
- Практика Зачем масштабировать для k-NN
- Практика Практика (отладка): утечка через imputer и scaler
- Теория Pipeline и ColumnTransformer: вся подготовка в одном объекте
- Практика Практика (рефакторинг): ручные шаги → Pipeline
- Практика Дополните ColumnTransformer
- Тест Подготовка признаков
Раздел 7 — Переобучение, недообучение и честная проверка 2 урока · 4 практики · 1 тест
Сложность модели, разрыв между train и validation, кросс-валидация, GridSearchCV и почему гиперпараметры не подбирают на тесте
- Теория Переобучение и недообучение: сложность модели
- Практика Практика (отладка): модель, «идеальная» на train
- Практика Подбираем глубину дерева
- Теория Кросс-валидация и подбор гиперпараметров
- Практика Три модели на одних и тех же фолдах
- Практика Практика (отладка): GridSearchCV вместо подбора на тесте
- Тест Переобучение и проверка
Раздел 8 — Лучшие признаки — лучшая модель 2 урока · 3 практики · 1 тест
Инженерия признаков, полиномиальные признаки для нелинейных зависимостей, случайный лес и важность признаков
- Теория Инженерия признаков: подсказать модели то, чего она не увидит сама
- Практика Признаки из времени поездки
- Практика Кривая вместо прямой
- Теория Случайный лес и важность признаков
- Практика На что смотрит случайный лес
- Тест Признаки
Раздел 9 — Обучение без учителя: кластеризация 2 урока · 3 практики · 1 тест
Алгоритм k-means шаг за шагом, KMeans в scikit-learn, описание сегментов, инерция и силуэт для выбора числа кластеров
- Теория Кластеризация k-means: группы без меток
- Практика K-means вручную
- Теория Сколько кластеров? Инерция, силуэт и описание сегментов
- Практика Сегменты покупателей
- Практика Сколько кластеров
- Тест Кластеризация
Раздел 10 — Итоговый проект 1 урок · 2 практики · 1 тест
Полный ML-проект: от сырой выгрузки до очищенных данных, конвейера, сравнения с базовой моделью и итогового отчета
- Теория ML-проект от начала до конца: чек-лист
- Практика Проект, часть 1: от сырой выгрузки до train и test
- Практика Проект, часть 2: конвейер, базовая модель и отчет
- Тест Итоговый тест курса
Стек
Какие технологии используются?
- Python
- scikit-learn
- pandas
Код пишете и запускаете в браузере на платформе — устанавливать ничего не нужно.
Доступ
Как получить доступ?
-
Оставьте заявку
Заполните короткую форму на этой странице.
-
Завершите регистрацию в Telegram
После заявки перейдите в Telegram-бот Prog Academy — он пришлёт дальнейшие инструкции по доступу.
-
Учитесь на платформе
Уроки, практика и тесты — на my.prog.academy, в удобном для вас темпе.
Контакт
Начните обучение на платформе
Оставьте контакты — пришлём детали доступа к курсу «Основы машинного обучения: от первой модели до готового ML-проекта».
Другие курсы по подписке
JavaScript (Node.js)
Как работает веб: от URL до HTTPS, API и безопасности
Путь запроса от URL до готовой страницы: DNS, TCP, TLS, HTTP, кеш, cookies, API и защита веб-приложений.
Кибербезопасность с ИИ: защита от современных атак и безопасная работа с искусственным интеллектом
Защита от современных атак для нетехнических специалистов: фишинг, пароли и MFA, инциденты, дипфейки и безопасная работа с ИИ.
Частые вопросы о курсе
Что это за курс?
«Основы машинного обучения: от первой модели до готового ML-проекта» — онлайн-курс по подписке на учебной платформе Prog Academy. Поймите, как машина учится на данных, — и обучите свою первую модель уже сегодня. Машинное обучение — не магия и не сплошная математика. Это набор приемов, чтобы программа находила правила сама, по примерам, а не по строкам кода, которые кто-то написал вручную. В этом курсе вы пройдете весь путь практического ML: от вопроса «это вообще задача для машинного обучения?» до конвейера, который читает сырой CSV, готовит признаки, обучает модель, честно ее оценивает и выдает отчет. Формул — минимум, кода и реальных ситуаций — много.
Какие знания нужны перед стартом?
Нужно: базовый Python (переменные, списки, словари, циклы, функции). Опыт с pandas полезен, но не обязателен: нужные приемы объяснены в курсе, а чтение входных данных в заданиях уже написано. Устанавливать ничего не нужно — scikit-learn, pandas и NumPy уже есть в среде выполнения.
Какие практические задания будут?
33 практических задания с автоматической проверкой на скрытых наборах данных. Первые задания — на чистом Python: вы сами «обучите» порог, напишете k ближайших соседей, метрики и k-means, чтобы понимать, что делает библиотека. Дальше — scikit-learn: задачи на отладку (утечка данных, оценка на обучающих данных, подбор параметров на тесте), рефакторинг ручного кода в Pipeline, доработка незавершенных конвейеров. Каждый раздел завершает тест на понимание, а курс — итоговый проект из двух частей.
Какие технологии используются?
Python, scikit-learn, pandas. Код пишете и запускаете прямо в браузере на платформе — устанавливать ничего не нужно.
Сколько модулей в курсе?
10 модулей: Что такое машинное обучение; Данные: признаки, метки и честное разбиение; Первая модель: обучение и предсказание; Регрессия: предсказываем числа; Классификация и ее метрики; Подготовка признаков в scikit-learn; Переобучение, недообучение и честная проверка; Лучшие признаки — лучшая модель; Обучение без учителя: кластеризация; Итоговый проект. Практических заданий с автоматической проверкой — 30+, тестов — 10.
Как получить доступ?
Оставьте заявку на этой странице и завершите регистрацию в Telegram-боте Prog Academy — там вы получите дальнейшие инструкции по доступу. Обучение проходит на платформе my.prog.academy в своём темпе.
Входит ли курс в подписку?
Да. Курс входит в подписку на платформе Prog Academy: доступ ко всем курсам по подписке; ai-помощник по обучению в каждом курсе; все уроки, домашние задания и автоматическая проверка; новые курсы по подписке добавляются автоматически.
Не нашли ответ?
Оставьте вопрос — подскажем, подходит ли вам курс и с чего лучше начать.