Prog Academy
RU UA

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 · Без звонков и консультаций

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:

  1. С нуля
  2. Обязательно Основы программирования на Python
  3. 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

Платформа Prog Academy

Больше, чем доступ к курсу

Курс проходит на платформе Prog Academy — вместе с ним вы получаете AI-помощника и инструменты для поиска первой работы в IT.

Обучение

90% практики

Вы учитесь, выполняя задания: каждую новую тему сразу применяете на практике, а не только читаете теорию. Задания проверяются автоматически, прямо в браузере.

AI-помощник по обучению

Вы не остаётесь один на один с материалом

Что-то непонятно или застряли на задании — спросите прямо в уроке. Помощник объяснит тему проще, ответит на вопросы, поможет разобраться в условии задания и подскажет следующий шаг, найдёт нужное в материалах курса. Он знает, какой урок вы проходите, и помнит разговор.

Карьера

  • Сертификат после окончания курса

    Успешно прошли курс — получаете сертификат и в один клик добавляете его в профиль LinkedIn.

  • Конструктор резюме

    Резюме на английском, украинском или русском — прямо на платформе. Ваши курсы и сертификаты добавляются в него в пару кликов.

  • База вакансий

    Junior-вакансии и стажировки в одном месте — с подборкой под курсы, которые вы проходите.

Вся платформа — в одном аккаунте

  • Все ваши курсы
  • Прогресс по каждому курсу
  • Обучение в своём темпе
  • Ничего не нужно устанавливать

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?

  1. Заполните форму

    Короткая форма на этой странице — без звонков и консультаций.

  2. Завершите регистрацию в Telegram

    После формы перейдите в Telegram-бот Prog Academy — он пришлёт дальнейшие инструкции по доступу.

  3. 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». Без звонков и консультаций.

Другие курсы по подписке

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?
Заполните форму 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.