← Все навыки

Классический ML

курс по классическому машинному обучению: регрессия, классификация, деревья и ансамбли, кластеризация — и честная валидация, без которой модель нельзя никому показывать.

6 модулей, 11 тем Junior Индивидуально с ментором

Программа

Вводный модуль

  • О курсе: что такое классический ML и где он работает

Модуль 1. Регрессия

  • Линейная регрессия: предсказание числа
  • Полиномиальная регрессия и регуляризация (Ridge, Lasso)

Модуль 2. Классификация

  • Логистическая регрессия: предсказание класса
  • Метод ближайших соседей (kNN) и метод опорных векторов (SVM)
  • Метрики классификации: precision, recall, F1, ROC-AUC

Модуль 3. Деревья и ансамбли

  • Деревья решений
  • Ансамбли: случайный лес и градиентный бустинг

Модуль 4. Кластеризация

  • Обучение без учителя: k-means и оценка кластеров

Модуль 5. Оценка и валидация моделей

  • Train/test split, кросс-валидация, утечка данных
  • Переобучение, смещение и разброс, подбор гиперпараметров

Что разбираем

  • Линейная и полиномиальная регрессия, регуляризация Ridge и Lasso
  • Логистическая регрессия, метод ближайших соседей и метод опорных векторов, метрики классификации — precision, recall, F1, ROC-AUC
  • Деревья решений, случайный лес и градиентный бустинг
  • Кластеризация k-means и оценка качества кластеров
  • Train/test split, кросс-валидация, утечка данных, переобучение, смещение и разброс, подбор гиперпараметров

Как проходит обучение

  • Занятия один на один с ментором под ваш темп и пробелы
  • Материалы курса открываются в личном кабинете, практику разбираете на встречах
  • Программа собирается под цель: подготовка к собеседованию или рабочая задача