C++
C++ Advanced
C++ Advanced: від основ мови до коду, який пишуть у реальних проєктах
Курс за підпискою
Числові основи: NumPy для машинного навчання
Навчіться готувати, перетворювати й рахувати дані так, як це роблять у машинному навчанні
- 9 модулів
- 50+ практичних завдань
- Автоматична перевірка
- Українською
Отримати доступ до курсу
Курс за підпискою · Навчання у власному темпі
Про курс
Що це за курс?
Будь-яка модель машинного навчання — від лінійної регресії до нейронної мережі — отримує на вхід масиви чисел і повертає масиви чисел. NumPy — бібліотека, у якій ці масиви створюють, змінюють і обчислюють. На ній стоять pandas, scikit-learn і PyTorch, тож усе, що ви вивчите тут, знадобиться в кожному наступному ML-курсі.
Ви навчитеся створювати масиви й читати їхню форму та тип, вибирати дані за умовою, рахувати без циклів, користуватися broadcasting і множенням матриць, нормалізувати ознаки й ділити дані на train/test. Наприкінці ви зберете повний конвеєр — від синтетичних даних до оцінки лінійної регресії — лише на NumPy. Це база для аналізу даних, машинного навчання, обробки сигналів і зображень.
Аудиторія
Для кого цей курс?
-
Знаєте основи Python
Навчитеся створювати, зрізати й змінювати форму масивів NumPy та рахувати без циклів — на цьому стоять pandas і PyTorch.
-
Без досвіду в машинному навчанні
Що таке модель і як її навчають, пояснює перший урок, а потрібну лінійну алгебру й статистику — по ходу.
-
Готуєте дані для ML-моделей
Нормалізуватимете ознаки, кодуватимете мітки one-hot, ділитимете дані на train/test і зберете лінійну регресію на NumPy.
Спершу потрібна підготовка
Курс спирається на знання, позначені нижче як обов’язкові.
Потрібно знати
-
Базовий Python — змінні, списки, цикли, функції — і шкільна математика.
Детальніше
- Лінійну алгебру й статистику, які знадобляться, ми пояснюємо по ходу.
- Встановлювати нічого не треба.
- Досвіду з машинним навчанням теж не потрібно: що таке модель і як її навчають, пояснює перший урок.
Якщо цих знань ще немає — пройдіть курси за порядком:
- З нуля
- Обов’язково Основи програмування на Python
- Цей курс Числові основи: NumPy для машинного навчання
Результат
Що ви навчитеся робити
створювати масиви з даних і з нуля та читати їхню форму й тип даних (dtype)
помічати пастки типів: переповнення цілих, неточність дробових, тихе обрізання в astype
вибирати рядки, стовпці, блоки й значення за умовою — і розуміти, коли зріз змінює оригінал
приводити дані до форми, яку чекає модель: reshape, нові осі, транспонування, склеювання
рахувати без циклів: поелементна арифметика, функції активації, пропуски nan
агрегувати з axis, сортувати, ранжувати й рахувати класи
користуватися broadcasting і множенням матриць: відстані, схожість, прогноз лінійної моделі
генерувати криві й відтворювані випадкові дані через np.random.default_rng(seed)
нормалізувати ознаки, кодувати мітки one-hot, ділити дані на train/test і міні-пакети
зібрати весь конвеєр — від синтетичних даних до оцінки моделі — лише на NumPy
Формат
Як влаштоване навчання?
9 розділів, 25 уроків теорії, 47 практичних завдань з автоматичною перевіркою і тест наприкінці кожного розділу. Код ви пишете прямо в браузері: у вбудованому середовищі вже є Python і NumPy, а кожне завдання перевіряється на прихованих тестах, зокрема на крайніх випадках — порожніх масивах, нулях, рівних значеннях. Випадкові дані в завданнях завжди задаються зерном, тож ваш результат відтворюється до останнього знака.
-
Теорія
25 уроків з прикладами
-
Практика в браузері
50+ завдань з автоматичною перевіркою
-
Тести
9 тестів для самоперевірки
-
Власний темп
Онлайн на my.prog.academy, без встановлення програм
AI-помічник
AI-помічник поруч під час навчання
На сторінках курсу, уроків і завдань є кнопка «Запитати AI». Помічник знає матеріали саме цього курсу й урок, на якому ви зараз, тому відповідає по темі й показує, у яких уроках про це йдеться.
-
Пояснить інакше
Не зрозуміли урок з першого разу — попросіть пояснити простіше або дати ще один приклад.
-
Допоможе із завданням
Застрягли — підкаже, з чого почати, і допоможе знайти помилку у вашому рішенні. Готового рішення не дає.
-
Знайде потрібну тему
Запитайте, де пояснювали поняття, — і отримаєте посилання на потрібні уроки курсу.
-
Продовжить розмову
Уточнюйте без повторів: помічник пам’ятає розмову, а нещодавні розмови курсу зберігаються.
Входить у кожен тариф оплаченої підписки — Basic і Premium. У Premium ліміти використання AI-помічника вищі — ним можна користуватися активніше. Це помічник у навчанні, а не генератор готових відповідей: він пояснює й підказує, а завдання ви розв’язуєте самі.
Програма
Програма курсу
9 модулів, 50+ практичних завдань з автоматичною перевіркою і 9 тестів. Відкрийте модуль, щоб побачити всі теми.
Розділ 1 — Масиви NumPy: формат даних для ML 5 уроків · 5 практик · 1 тест
Що таке модель машинного навчання і шлях даних до неї; чим масив відрізняється від списку, як його створити, які в нього форма й тип даних і де типи тихо ламають числа
- Теорія Від даних до прогнозу: про що цей курс
- Теорія Навіщо машинному навчанню NumPy: масив проти списку
- Практика Виручка без циклу
- Теорія Створення масивів: з даних і з нуля
- Практика Конструктор масивів
- Теорія Форма, розмір і тип: shape, ndim, size, dtype
- Практика Паспорт масиву
- Теорія Типи даних: коли числа тихо ламаються
- Практика Передбачте dtype
- Практика Загадковий dtype
- Тест Перевірка: масиви, форма й типи
Розділ 2 — Індексація і зрізи 3 уроки · 7 практик · 1 тест
Як дістати з масиву потрібні елементи, рядки, стовпці й блоки, коли зріз змінює оригінал і як вибирати за умовою
- Теорія Зрізи одновимірного масиву
- Практика Голова, хвіст і крок
- Теорія Двовимірні масиви: рядки, стовпці, блоки й представлення
- Практика Рядок, стовпець, блок
- Практика Зріз, який змінює дані
- Теорія Вибір за списком індексів і за умовою
- Практика Представлення чи копія
- Практика Вибрані приклади й ознаки
- Практика Комфортний діапазон
- Практика Мітки через np.where
- Тест Перевірка: індексація і зрізи
Розділ 3 — Форма даних для моделі 3 уроки · 5 практик · 1 тест
reshape, нові осі, транспонування, склеювання й розрізання: як привести дані до форми, яку чекає модель
- Теорія reshape: ті самі числа, інша форма
- Практика Зміна форми з перевіркою
- Практика Вхід для моделі
- Теорія Транспонування і порядок осей
- Практика Осі пакета зображень
- Теорія Склеювання й розрізання масивів
- Практика Матриця ознак зі стовпцем зсуву
- Практика Розрізати на частини
- Тест Перевірка: форма даних
Розділ 4 — Векторизовані обчислення 2 уроки · 5 практик · 1 тест
Арифметика над цілими масивами, універсальні функції, функції активації, пропущені значення й перші статистики
- Теорія Цикл проти векторизації
- Практика Знижки й податок
- Практика Конвертер температур
- Теорія Універсальні функції, пропуски й перші статистики
- Практика Функції активації
- Практика Пропущені заміри
- Практика Детектор викидів
- Тест Перевірка: векторизовані обчислення
Розділ 5 — Агрегації: підсумки по осях 3 уроки · 7 практик · 1 тест
Суми, середні й екстремуми вздовж осі, розкид даних, сортування, ранги й підрахунок класів
- Теорія Агрегації й параметр axis
- Практика Агрегації по осях вручну
- Практика Бали студентів
- Практика Перевірка ознак
- Теорія Розкид даних: дисперсія, стандартне відхилення, медіана, перцентилі
- Практика Розкид вибірки
- Теорія Сортування, ранги й підрахунок
- Практика Топ-k і ранги
- Практика Баланс класів
- Практика Накопичені продажі
- Тест Перевірка: агрегації
Розділ 6 — Broadcasting і лінійна алгебра 2 уроки · 7 практик · 1 тест
Операції над масивами різної форми, відстані між точками, множення матриць, норми й прогноз лінійної моделі
- Теорія Broadcasting: операції над масивами різної форми
- Практика Broadcasting — форма чи помилка
- Практика Яка вийде форма
- Практика Центрування і частки
- Практика Найближчий сусід
- Теорія Множення матриць, норми й лінійна модель
- Практика Форма добутку матриць
- Практика Прогноз лінійної моделі
- Практика Найсхожіший товар
- Тест Перевірка: broadcasting і лінійна алгебра
Розділ 7 — Генеруємо дані: криві й випадковість 2 уроки · 6 практик · 1 тест
Нелінійні криві з linspace і математичних функцій, масштабування, многочлени й відтворювані випадкові дані
- Теорія Криві з linspace і математичних функцій
- Практика Синусоїда
- Практика Крива в потрібному діапазоні
- Практика Многочлен і його похідна
- Теорія Випадкові числа з Generator
- Практика Потік випадкових чисел
- Практика Шум на кривій
- Практика Синтетичний датасет
- Тест Перевірка: криві й випадковість
Розділ 8 — Підготовка даних для моделі 3 уроки · 8 практик · 1 тест
Масштабування ознак, one-hot кодування, метрики класифікації, поділ на train/test і міні-пакети
- Теорія Масштабування ознак: min-max і стандартизація
- Практика Min-max масштабування
- Практика Стандартизація без витоку
- Теорія One-hot кодування і метрики класифікації
- Практика Матриця помилок вручну
- Практика One-hot кодування
- Практика Матриця помилок
- Теорія Поділ на train/test і міні-пакети
- Практика Конвеєр підготовки даних
- Практика Поділ на train і test
- Практика Міні-пакети по епохах
- Тест Перевірка: підготовка даних
Розділ 9 — Підсумковий проєкт: лінійна регресія на NumPy 2 уроки · 3 практики · 1 тест
Градієнтний спуск і розв'язок найменших квадратів, а потім повний конвеєр від даних до оцінки моделі
- Теорія Лінійна регресія двома способами: градієнтний спуск і найменші квадрати
- Практика Градієнтний спуск
- Практика Розв'язок найменших квадратів
- Теорія Проєкт: від синтетичних даних до оцінки моделі
- Практика Підсумковий проєкт: конвеєр регресії
- Тест Підсумковий тест курсу
Стек
Які технології використовуються?
- Python
- NumPy
Код пишете й запускаєте в браузері на платформі — встановлювати нічого не потрібно.
Застосування
Де застосовуються ці знання?
- Підготовка даних для моделей машинного навчання
- Числові й інженерні обчислення на Python
- Фундамент для pandas, scikit-learn і PyTorch
Доступ
Як отримати доступ?
-
Залиште заявку
Заповніть коротку форму на цій сторінці.
-
Завершіть реєстрацію в Telegram
Після заявки перейдіть у Telegram-бот Prog Academy — він надішле подальші інструкції щодо доступу.
-
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 «Числові основи: NumPy для машинного навчання».
Інші курси за підпискою
Термінал Linux (bash)
Основи Linux
Командний рядок з нуля: файли, права, процеси, мережа, bash-скрипти і SSH — у терміналі навчальної Ubuntu.
JavaScript (Node.js)
Як працює веб: від URL до HTTPS, API і безпеки
Шлях запиту від URL до готової сторінки: DNS, TCP, TLS, HTTP, кеш, cookies, API і захист вебзастосунків.
Часті питання про курс
Що це за курс?
«Числові основи: NumPy для машинного навчання» — онлайн-курс за підпискою на навчальній платформі Prog Academy. Навчіться готувати, перетворювати й рахувати дані так, як це роблять у машинному навчанні. Будь-яка модель машинного навчання — від лінійної регресії до нейронної мережі — отримує на вхід масиви чисел і повертає масиви чисел. NumPy — бібліотека, у якій ці масиви створюють, змінюють і обчислюють. На ній стоять pandas, scikit-learn і PyTorch, тож усе, що ви вивчите тут, знадобиться в кожному наступному ML-курсі.
Для кого цей курс?
Тим, хто знає базовий Python і рухається в машинне навчання або аналіз даних.
Які знання потрібні перед стартом?
Потрібно: базовий Python — змінні, списки, цикли, функції — і шкільна математика. Лінійну алгебру й статистику, які знадобляться, ми пояснюємо по ходу. Встановлювати нічого не треба. Досвіду з машинним навчанням теж не потрібно: що таке модель і як її навчають, пояснює перший урок.
Які практичні завдання будуть?
9 розділів, 25 уроків теорії, 47 практичних завдань з автоматичною перевіркою і тест наприкінці кожного розділу. Код ви пишете прямо в браузері: у вбудованому середовищі вже є Python і NumPy, а кожне завдання перевіряється на прихованих тестах, зокрема на крайніх випадках — порожніх масивах, нулях, рівних значеннях. Випадкові дані в завданнях завжди задаються зерном, тож ваш результат відтворюється до останнього знака.
Які технології використовуються?
Python, NumPy. Код пишете й запускаєте прямо в браузері на платформі — встановлювати нічого не потрібно.
Скільки модулів містить курс?
9 модулів: Масиви NumPy: формат даних для ML; Індексація і зрізи; Форма даних для моделі; Векторизовані обчислення; Агрегації: підсумки по осях; Broadcasting і лінійна алгебра; Генеруємо дані: криві й випадковість; Підготовка даних для моделі; Підсумковий проєкт: лінійна регресія на NumPy. Практичних завдань з автоматичною перевіркою — 50+, тестів — 9.
Як отримати доступ?
Залиште заявку 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.