Prog Academy
RU UA

Курс по подписке

Числовые основы: NumPy для машинного обучения

Научитесь готовить, преобразовывать и обсчитывать данные так, как это делают в машинном обучении

  • 9 модулей
  • 50+ 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?

Любая модель машинного обучения — от линейной регрессии до нейронной сети — получает на вход массивы чисел и возвращает массивы чисел. NumPy — библиотека, в которой эти массивы создают, изменяют и вычисляют. На ней построены pandas, scikit-learn и PyTorch, так что всё, что вы изучите здесь, пригодится в каждом следующем ML-курсе.

Вы научитесь создавать массивы и читать их форму и тип, выбирать данные по условию, считать без циклов, пользоваться broadcasting и умножением матриц, нормализовать признаки и делить данные на train/test. В конце вы соберёте полный конвейер — от синтетических данных до оценки линейной регрессии — только на NumPy. Это база для анализа данных, машинного обучения, обработки сигналов и изображений.

Аудитория

Для кого этот курс?

  • Знаете основы Python

    Научитесь создавать, срезать и менять форму массивов NumPy и считать без циклов — на этом построены pandas и PyTorch.

  • Без опыта в машинном обучении

    Что такое модель и как её обучают, объясняет первый урок, а нужную линейную алгебру и статистику — по ходу.

  • Готовите данные для ML-моделей

    Будете нормализовать признаки, кодировать метки one-hot, делить данные на train/test и соберёте линейную регрессию на NumPy.

Сначала нужна подготовка

Курс опирается на знания, отмеченные ниже как обязательные.

Нужно знать

  • Что нужно

    Базовый Python — переменные, списки, циклы, функции, try/except — и школьная математика.

    Подробнее
    • Линейную алгебру и статистику, которые понадобятся, мы объясняем по ходу.
    • Устанавливать ничего не нужно.
    • Опыта в машинном обучении тоже не требуется: что такое модель и как её обучают, объясняет первый урок.

Если этих знаний ещё нет — пройдите курсы по порядку:

  1. С нуля
  2. Обязательно Основы программирования на Python
  3. Этот курс Числовые основы: NumPy для машинного обучения

Результат

Чему вы научитесь

создавать массивы из данных и с нуля, читать их форму и тип данных (dtype)

замечать ловушки типов: переполнение целых, неточность дробных, тихое усечение в astype

выбирать строки, столбцы, блоки и значения по условию — и понимать, когда срез меняет оригинал

приводить данные к форме, которую ждёт модель: reshape, новые оси, транспонирование, склейка

считать без циклов: поэлементная арифметика, функции активации, пропуски nan

агрегировать с axis, сортировать, ранжировать и подсчитывать классы

пользоваться broadcasting и умножением матриц: расстояния, сходство, прогноз линейной модели

генерировать кривые и воспроизводимые случайные данные через np.random.default_rng(seed)

нормализовать признаки, кодировать метки one-hot, делить данные на train/test и мини-пакеты

собрать весь конвейер — от синтетических данных до оценки модели — только на NumPy

Формат

Как устроено обучение?

9 разделов, 25 уроков теории, 47 практических заданий с автоматической проверкой и тест в конце каждого раздела. Код вы пишете прямо в браузере: во встроенной среде уже есть Python и NumPy, а каждое задание проверяется на скрытых тестах, в том числе на крайних случаях — пустых массивах, нулях, равных значениях. Случайные данные в заданиях всегда задаются зерном, так что ваш результат воспроизводится до последнего знака.

  • Теория

    25 уроков с примерами

  • Практика в браузере

    50+ заданий с автоматической проверкой

  • Тесты

    9 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

9 модулей, 50+ практических заданий с автоматической проверкой и 9 тестов. Откройте модуль, чтобы увидеть все темы.

Раздел 1 — Массивы NumPy: формат данных для ML 5 уроков · 5 практик · 1 тест

Что такое модель машинного обучения и путь данных к ней; чем массив отличается от списка, как его создать, какие у него форма и тип данных и где типы тихо ломают числа

  • Теория От данных к прогнозу: о чём этот курс
  • Теория Зачем машинному обучению NumPy: массив против списка
  • Практика Выручка без цикла
  • Теория Создание массивов: из данных и с нуля
  • Практика Конструктор массивов
  • Теория Форма, размер и тип: shape, ndim, size, dtype
  • Практика Паспорт массива
  • Теория Типы данных: когда числа тихо ломаются
  • Практика Предскажите dtype
  • Практика Загадочный dtype
  • Тест Проверка: массивы, форма и типы
Раздел 2 — Индексация и срезы 3 урока · 7 практик · 1 тест

Как достать из массива нужные элементы, строки, столбцы и блоки, когда срез меняет оригинал и как выбирать по условию

  • Теория Срезы одномерного массива
  • Практика Голова, хвост и шаг
  • Теория Двумерные массивы: строки, столбцы, блоки и представления
  • Практика Строка, столбец, блок
  • Практика Срез, который меняет данные
  • Теория Выбор по списку индексов и по условию
  • Практика Представление или копия
  • Практика Избранные примеры и признаки
  • Практика Комфортный диапазон
  • Практика Метки через np.where
  • Тест Проверка: индексация и срезы
Раздел 3 — Форма данных для модели 3 урока · 5 практик · 1 тест

reshape, новые оси, транспонирование, склейка и разрезание: как привести данные к форме, которую ждёт модель

  • Теория reshape: те же числа, другая форма
  • Практика Изменение формы с проверкой
  • Практика Вход для модели
  • Теория Транспонирование и порядок осей
  • Практика Оси пакета изображений
  • Теория Склейка и разрезание массивов
  • Практика Матрица признаков со столбцом сдвига
  • Практика Разрезать на части
  • Тест Проверка: форма данных
Раздел 4 — Векторизованные вычисления 2 урока · 5 практик · 1 тест

Арифметика над целыми массивами, универсальные функции, функции активации, пропущенные значения и первые статистики

  • Теория Цикл против векторизации
  • Практика Скидки и налог
  • Практика Конвертер температур
  • Теория Универсальные функции, пропуски и первые статистики
  • Практика Функции активации
  • Практика Пропущенные замеры
  • Практика Детектор выбросов
  • Тест Проверка: векторизованные вычисления
Раздел 5 — Агрегации: итоги по осям 3 урока · 7 практик · 1 тест

Суммы, средние и экстремумы вдоль оси, разброс данных, сортировка, ранги и подсчёт классов

  • Теория Агрегации и параметр axis
  • Практика Агрегации по осям вручную
  • Практика Баллы студентов
  • Практика Проверка признаков
  • Теория Разброс данных: дисперсия, стандартное отклонение, медиана, перцентили
  • Практика Разброс выборки
  • Теория Сортировка, ранги и подсчёт
  • Практика Топ-k и ранги
  • Практика Баланс классов
  • Практика Накопленные продажи
  • Тест Проверка: агрегации
Раздел 6 — Broadcasting и линейная алгебра 2 урока · 7 практик · 1 тест

Операции над массивами разной формы, расстояния между точками, умножение матриц, нормы и прогноз линейной модели

  • Теория Broadcasting: операции над массивами разной формы
  • Практика Broadcasting — форма или ошибка
  • Практика Какая получится форма
  • Практика Центрирование и доли
  • Практика Ближайший сосед
  • Теория Умножение матриц, нормы и линейная модель
  • Практика Форма произведения матриц
  • Практика Прогноз линейной модели
  • Практика Самый похожий товар
  • Тест Проверка: broadcasting и линейная алгебра
Раздел 7 — Генерируем данные: кривые и случайность 2 урока · 6 практик · 1 тест

Нелинейные кривые из linspace и математических функций, масштабирование, многочлены и воспроизводимые случайные данные

  • Теория Кривые из linspace и математических функций
  • Практика Синусоида
  • Практика Кривая в нужном диапазоне
  • Практика Многочлен и его производная
  • Теория Случайные числа с Generator
  • Практика Поток случайных чисел
  • Практика Шум на кривой
  • Практика Синтетический датасет
  • Тест Проверка: кривые и случайность
Раздел 8 — Подготовка данных для модели 3 урока · 8 практик · 1 тест

Масштабирование признаков, one-hot кодирование, метрики классификации, разбиение на train/test и мини-пакеты

  • Теория Масштабирование признаков: min-max и стандартизация
  • Практика Min-max масштабирование
  • Практика Стандартизация без утечки
  • Теория One-hot кодирование и метрики классификации
  • Практика Матрица ошибок вручную
  • Практика One-hot кодирование
  • Практика Матрица ошибок
  • Теория Разбиение на train/test и мини-пакеты
  • Практика Конвейер подготовки данных
  • Практика Разбиение на train и test
  • Практика Мини-пакеты по эпохам
  • Тест Проверка: подготовка данных
Раздел 9 — Итоговый проект: линейная регрессия на NumPy 2 урока · 3 практики · 1 тест

Градиентный спуск и решение методом наименьших квадратов, а затем полный конвейер от данных до оценки модели

  • Теория Линейная регрессия двумя способами: градиентный спуск и наименьшие квадраты
  • Практика Градиентный спуск
  • Практика Решение методом наименьших квадратов
  • Теория Проект: от синтетических данных до оценки модели
  • Практика Итоговый проект: конвейер регрессии
  • Тест Итоговый тест курса

Стек

Какие технологии используются?

  • Python
  • NumPy

Код пишете и запускаете в браузере на платформе — устанавливать ничего не нужно.

Применение

Где применяются эти знания?

  1. Подготовка данных для моделей машинного обучения
  2. Числовые и инженерные вычисления на Python
  3. Фундамент для pandas, scikit-learn и PyTorch

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 «Числовые основы: NumPy для машинного обучения». Без звонков и консультаций.

Другие курсы по подписке

C++

C++ Advanced

C++ Advanced: от основ языка к коду, который пишут в реальных проектах

18 модулей · 55+ практических заданий

Частые вопросы о курсе

Что это за курс?
«Числовые основы: NumPy для машинного обучения» — онлайн-курс по подписке на учебной платформе Prog Academy. Научитесь готовить, преобразовывать и обсчитывать данные так, как это делают в машинном обучении. Любая модель машинного обучения — от линейной регрессии до нейронной сети — получает на вход массивы чисел и возвращает массивы чисел. NumPy — библиотека, в которой эти массивы создают, изменяют и вычисляют. На ней построены pandas, scikit-learn и PyTorch, так что всё, что вы изучите здесь, пригодится в каждом следующем ML-курсе.

Для кого этот курс?
Тем, кто знает базовый Python и движется в машинное обучение или анализ данных.

Какие знания нужны перед стартом?
Что нужно: базовый Python — переменные, списки, циклы, функции, try/except — и школьная математика. Линейную алгебру и статистику, которые понадобятся, мы объясняем по ходу. Устанавливать ничего не нужно. Опыта в машинном обучении тоже не требуется: что такое модель и как её обучают, объясняет первый урок.

Какие практические задания будут?
9 разделов, 25 уроков теории, 47 практических заданий с автоматической проверкой и тест в конце каждого раздела. Код вы пишете прямо в браузере: во встроенной среде уже есть Python и NumPy, а каждое задание проверяется на скрытых тестах, в том числе на крайних случаях — пустых массивах, нулях, равных значениях. Случайные данные в заданиях всегда задаются зерном, так что ваш результат воспроизводится до последнего знака.

Какие технологии используются?
Python, NumPy. Код пишете и запускаете прямо в браузере на платформе — устанавливать ничего не нужно.

Сколько модулей в курсе?
9 модулей: Массивы NumPy: формат данных для ML; Индексация и срезы; Форма данных для модели; Векторизованные вычисления; Агрегации: итоги по осям; Broadcasting и линейная алгебра; Генерируем данные: кривые и случайность; Подготовка данных для модели; Итоговый проект: линейная регрессия на NumPy. Практических заданий с автоматической проверкой — 50+, тестов — 9.

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.