Prog Academy
RU UA

Курс за підпискою

Основи машинного навчання: від першої моделі до готового ML-проєкту

Зрозумійте, як машина вчиться на даних, — і навчіть свою першу модель уже сьогодні

  • 10 модулів
  • 30+ практичних завдань
  • Автоматична перевірка
  • Українською

Отримати доступ до курсу

Курс за підпискою · Навчання у власному темпі · Без дзвінків і консультацій

Про курс

Що це за курс?

Машинне навчання — не магія й не суцільна математика. Це набір прийомів, щоб програма знаходила правила сама, з прикладів, а не з рядків коду, які хтось написав вручну. У цьому курсі ви пройдете весь шлях практичного ML: від питання «це взагалі задача для машинного навчання?» до конвеєра, який читає сирий CSV, готує ознаки, навчає модель, чесно її оцінює й видає звіт. Формул — мінімум, коду й реальних ситуацій — багато.

Аудиторія

Для кого цей курс?

  • Знаєте базовий Python

    Пройдете шлях від першої моделі в scikit-learn до конвеєра, що читає сирий CSV, навчає модель і видає звіт.

  • Ще не працювали з pandas

    Потрібні прийоми пояснено в курсі, а scikit-learn, pandas і NumPy вже є в середовищі — встановлювати нічого не треба.

  • Хочете зрозуміти, як вчиться модель

    Спершу на чистому Python самі напишете k найближчих сусідів, метрики й k-means, щоб розуміти, що робить бібліотека.

Спершу потрібна підготовка

Курс спирається на знання, позначені нижче як обов’язкові.

Потрібно знати

  • Базовий Python (змінні, списки, словники, цикли, функції).

    Детальніше
    • Досвід із pandas корисний, але не обов'язковий: потрібні прийоми пояснено в курсі, а читання вхідних даних у завданнях уже написано.
    • Встановлювати нічого не треба — scikit-learn, pandas і NumPy уже є в середовищі виконання.

Якщо цих знань ще немає — пройдіть курси за порядком:

  1. З нуля
  2. Обов’язково Основи програмування на Python
  3. Цей курс Основи машинного навчання: від першої моделі до готового ML-проєкту

Результат

Що ви навчитеся робити

відрізняти задачі для ML від задач для звичайних правил, а класифікацію — від регресії й кластеризації

знаходити в таблиці ознаки й мітку, помічати ідентифікатори та стовпці, що «підказують» відповідь

ділити дані на train, validation і test — зокрема за часом — і не допускати витоку даних

навчати в scikit-learn k найближчих сусідів, лінійну й логістичну регресію, дерево рішень і випадковий ліс

оцінювати регресію через MAE, RMSE і R², а класифікацію — через матрицю помилок, precision, recall і F1, завжди порівнюючи з базовою моделлю

масштабувати ознаки, заповнювати пропуски й кодувати категорії в Pipeline і ColumnTransformer

розпізнавати перенавчання й недонавчання, користуватися крос-валідацією та GridSearchCV

знаходити групи в даних без міток за допомогою k-means

Формат

Як влаштоване навчання?

33 практичні завдання з автоматичною перевіркою на прихованих наборах даних. Перші завдання — на чистому Python: ви самі «навчите» поріг, напишете k найближчих сусідів, метрики та k-means, щоб розуміти, що робить бібліотека. Далі — scikit-learn: задачі на налагодження (витік даних, оцінювання на навчальних даних, підбір параметрів на тесті), рефакторинг ручного коду в Pipeline, доповнення незавершених конвеєрів. Кожен розділ завершує тест на розуміння, а курс — підсумковий проєкт із двох частин.

  • Теорія

    19 уроків з прикладами

  • Практика в браузері

    30+ завдань з автоматичною перевіркою

  • Тести

    10 тестів для самоперевірки

  • Власний темп

    Онлайн на my.prog.academy, без встановлення програм

Платформа Prog Academy

Більше, ніж доступ до курсу

Курс проходить на платформі Prog Academy — разом із ним ви отримуєте AI-помічника й інструменти для пошуку першої роботи в IT.

Навчання

90% практики

Ви вчитеся, виконуючи завдання: кожну нову тему одразу застосовуєте на практиці, а не лише читаєте теорію. Завдання перевіряються автоматично, просто в браузері.

AI-помічник з навчання

Ви не залишаєтеся наодинці з матеріалом

Щось незрозуміло або застрягли на завданні — запитайте просто в уроці. Помічник пояснить тему простішими словами, відповість на питання, допоможе розібратися в умові завдання й підкаже наступний крок, знайде потрібне в матеріалах курсу. Він знає, який урок ви проходите, і пам’ятає розмову.

Кар’єра

  • Сертифікат після завершення курсу

    Успішно пройшли курс — отримуєте сертифікат і в один клік додаєте його в профіль LinkedIn.

  • Конструктор резюме

    Резюме англійською та українською — просто на платформі. Ваші курси й сертифікати додаються в нього в кілька кліків.

  • База вакансій

    Junior-вакансії та стажування в одному місці — з добіркою під курси, які ви проходите.

Уся платформа — в одному акаунті

  • Усі ваші курси
  • Прогрес по кожному курсу
  • Навчання у власному темпі
  • Нічого не треба встановлювати

Програма

Програма курсу

10 модулів, 30+ практичних завдань з автоматичною перевіркою і 10 тестів. Відкрийте модуль, щоб побачити всі теми.

Розділ 1 — Що таке машинне навчання 2 уроки · 2 практики · 1 тест

Чим навчання на прикладах відрізняється від програмування правил, які бувають задачі ML і з яких кроків складається проєкт

  • Теорія Машинне навчання проти правил: коли програма вчиться на прикладах
  • Практика Поріг, вивчений з даних
  • Теорія Види задач: класифікація, регресія, кластеризація
  • Практика Класифікація чи регресія?
  • Тест Що таке машинне навчання
Розділ 2 — Дані: ознаки, мітки й чесний поділ 2 уроки · 3 практики · 1 тест

Ознаки й мітка, X і y, стовпці, які не можна давати моделі, поділ на train/validation/test, стратифікація й поділ за часом

  • Теорія Анатомія набору даних: ознаки, мітка, X і y
  • Практика Які стовпці можуть бути ознаками
  • Теорія Train, validation і test: навіщо ховати частину даних
  • Практика Три частини зі збереженням пропорцій
  • Практика Практика (налагодження): прогноз, який бачив майбутнє
  • Тест Дані й поділ
Розділ 3 — Перша модель: навчання й передбачення 2 уроки · 3 практики · 1 тест

Що таке модель, fit і predict, параметри й гіперпараметри; k найближчих сусідів вручну й у scikit-learn

  • Теорія Модель: навчання й передбачення (fit і predict)
  • Практика Модель-довідник своїми руками
  • Теорія k найближчих сусідів: передбачення за схожими прикладами
  • Практика K-NN вручну
  • Практика KNeighborsClassifier у scikit-learn
  • Тест Перша модель
Розділ 4 — Регресія: передбачаємо числа 2 уроки · 4 практики · 1 тест

Функція втрат і як модель вчиться на помилках, LinearRegression, MAE, RMSE, R² і базова модель для регресії

  • Теорія Лінійна регресія: як модель вчиться на помилках
  • Практика Яка пряма краща
  • Практика LinearRegression для часу доставки
  • Теорія Метрики регресії: MAE, RMSE, R² і базова модель
  • Практика Метрики регресії вручну
  • Практика Чи краща модель за середнє?
  • Тест Регресія
Розділ 5 — Класифікація та її метрики 2 уроки · 5 практик · 1 тест

Логістична регресія й імовірності, поріг рішення, дерево рішень і його правила, матриця помилок, precision, recall, F1 і пастка accuracy

  • Теорія Класифікатори: логістична регресія й дерево рішень
  • Практика Практика (налагодження): ймовірність відтоку й поріг
  • Практика Правила, які знайшло дерево
  • Теорія Метрики класифікації: матриця помилок, precision, recall, F1
  • Практика Precision і recall вручну
  • Практика Пастка accuracy
  • Практика Поріг під потрібний recall
  • Тест Класифікація та її метрики
Розділ 6 — Підготовка ознак у scikit-learn 2 уроки · 4 практики · 1 тест

Трансформатори fit/transform, масштабування, заповнення пропусків, one-hot кодування, витік даних, Pipeline і ColumnTransformer

  • Теорія Трансформатори: масштабування, пропуски, категорії
  • Практика Навіщо масштабувати для k-NN
  • Практика Практика (налагодження): витік через imputer і scaler
  • Теорія Pipeline і ColumnTransformer: уся підготовка в одному об'єкті
  • Практика Практика (рефакторинг): ручні кроки → Pipeline
  • Практика Доповніть ColumnTransformer
  • Тест Підготовка ознак
Розділ 7 — Перенавчання, недонавчання й чесна перевірка 2 уроки · 4 практики · 1 тест

Складність моделі, розрив між train і validation, крос-валідація, GridSearchCV і чому гіперпараметри не підбирають на тесті

  • Теорія Перенавчання й недонавчання: складність моделі
  • Практика Практика (налагодження): модель, «ідеальна» на train
  • Практика Підбираємо глибину дерева
  • Теорія Крос-валідація і підбір гіперпараметрів
  • Практика Три моделі на тих самих фолдах
  • Практика Практика (налагодження): GridSearchCV замість підбору на тесті
  • Тест Перенавчання й перевірка
Розділ 8 — Кращі ознаки — краща модель 2 уроки · 3 практики · 1 тест

Інженерія ознак, поліноміальні ознаки для нелінійних залежностей, випадковий ліс і важливість ознак

  • Теорія Інженерія ознак: підказати моделі те, чого вона не побачить сама
  • Практика Ознаки з часу поїздки
  • Практика Крива замість прямої
  • Теорія Випадковий ліс і важливість ознак
  • Практика На що дивиться випадковий ліс
  • Тест Ознаки
Розділ 9 — Навчання без учителя: кластеризація 2 уроки · 3 практики · 1 тест

Алгоритм k-means крок за кроком, KMeans у scikit-learn, опис сегментів, інерція і силует для вибору кількості кластерів

  • Теорія Кластеризація k-means: групи без міток
  • Практика K-means вручну
  • Теорія Скільки кластерів? Інерція, силует і опис сегментів
  • Практика Сегменти покупців
  • Практика Скільки кластерів
  • Тест Кластеризація
Розділ 10 — Підсумковий проєкт 1 урок · 2 практики · 1 тест

Повний ML-проєкт: від сирої вивантажки до очищених даних, конвеєра, порівняння з базовою моделлю й фінального звіту

  • Теорія ML-проєкт від початку до кінця: чек-лист
  • Практика Проєкт, частина 1: від сирої вивантажки до train і test
  • Практика Проєкт, частина 2: конвеєр, базова модель і звіт
  • Тест Підсумковий тест курсу

Стек

Які технології використовуються?

  • Python
  • scikit-learn
  • pandas

Код пишете й запускаєте в браузері на платформі — встановлювати нічого не потрібно.

Доступ

Як отримати доступ?

  1. Заповніть форму

    Коротка форма на цій сторінці — без дзвінків і консультацій.

  2. Завершіть реєстрацію в Telegram

    Після форми перейдіть у Telegram-бот Prog Academy — він надішле подальші інструкції щодо доступу.

  3. Навчайтеся на платформі

    Уроки, практика й тести — на my.prog.academy, у зручному для вас темпі.

Контакт

Почніть навчання на платформі

Залиште контакти — надішлемо деталі доступу до курсу «Основи машинного навчання: від першої моделі до готового ML-проєкту». Без дзвінків і консультацій.

Інші курси за підпискою

Часті питання про курс

Що це за курс?
«Основи машинного навчання: від першої моделі до готового ML-проєкту» — онлайн-курс за підпискою на навчальній платформі Prog Academy. Зрозумійте, як машина вчиться на даних, — і навчіть свою першу модель уже сьогодні. Машинне навчання — не магія й не суцільна математика. Це набір прийомів, щоб програма знаходила правила сама, з прикладів, а не з рядків коду, які хтось написав вручну. У цьому курсі ви пройдете весь шлях практичного ML: від питання «це взагалі задача для машинного навчання?» до конвеєра, який читає сирий CSV, готує ознаки, навчає модель, чесно її оцінює й видає звіт. Формул — мінімум, коду й реальних ситуацій — багато.

Які знання потрібні перед стартом?
Потрібно: базовий Python (змінні, списки, словники, цикли, функції). Досвід із pandas корисний, але не обов'язковий: потрібні прийоми пояснено в курсі, а читання вхідних даних у завданнях уже написано. Встановлювати нічого не треба — scikit-learn, pandas і NumPy уже є в середовищі виконання.

Які практичні завдання будуть?
33 практичні завдання з автоматичною перевіркою на прихованих наборах даних. Перші завдання — на чистому Python: ви самі «навчите» поріг, напишете k найближчих сусідів, метрики та k-means, щоб розуміти, що робить бібліотека. Далі — scikit-learn: задачі на налагодження (витік даних, оцінювання на навчальних даних, підбір параметрів на тесті), рефакторинг ручного коду в Pipeline, доповнення незавершених конвеєрів. Кожен розділ завершує тест на розуміння, а курс — підсумковий проєкт із двох частин.

Які технології використовуються?
Python, scikit-learn, pandas. Код пишете й запускаєте прямо в браузері на платформі — встановлювати нічого не потрібно.

Скільки модулів містить курс?
10 модулів: Що таке машинне навчання; Дані: ознаки, мітки й чесний поділ; Перша модель: навчання й передбачення; Регресія: передбачаємо числа; Класифікація та її метрики; Підготовка ознак у scikit-learn; Перенавчання, недонавчання й чесна перевірка; Кращі ознаки — краща модель; Навчання без учителя: кластеризація; Підсумковий проєкт. Практичних завдань з автоматичною перевіркою — 30+, тестів — 10.

Як отримати доступ?
Заповніть форму на цій сторінці й завершіть реєстрацію в Telegram-боті Prog Academy — там ви отримаєте подальші інструкції щодо доступу. Навчання проходить на платформі my.prog.academy у власному темпі.

Чи входить курс у підписку?
Так. Курс входить у підписку на платформі Prog Academy: доступ до всіх курсів за підпискою; ai-помічник з навчання в кожному курсі; усі уроки, домашні завдання та автоматична перевірка; нові курси за підпискою додаються автоматично.

Не знайшли відповідь?

Залиште запитання — підкажемо, чи підходить вам курс і з чого краще почати.