Терминал Linux (bash)
Основы Linux
Командная строка с нуля: файлы, права, процессы, сеть, bash-скрипты и SSH — в терминале учебной Ubuntu.
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
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 — 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:
- С нуля
- Обязательно Основы программирования на Python
- 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
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
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?
- Подготовка данных для моделей машинного обучения
- Числовые и инженерные вычисления на Python
- Фундамент для pandas, scikit-learn и PyTorch
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 «Числовые основы: NumPy для машинного обучения».
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?
«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 — 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?
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.