О программе
Машинное обучение — это процесс, а не магия
Программа «Машинное обучение на практике» устраняет разрыв между теорией и производственными реалиями ML. Вы пройдёте полный цикл: от формулировки задачи и сбора данных до валидации модели и её деплоя в виде API-сервиса.
Акцент сделан на том, что реально важно в работе: понимание данных, feature engineering, правильный выбор метрик успеха, интерпретация результатов и общение с нетехническими стейкхолдерами. Каждый модуль заканчивается практической лабораторной работой на реальном датасете.
Чему вы научитесь: Полноценно вести ML-проект от постановки задачи до деплоя. Выбирать подходящие алгоритмы и понимать их ограничения. Диагностировать проблемы модели: переобучение, дисбаланс классов, data leakage. Объяснять результаты нетехнической аудитории.
Учебный план
M1
Модуль 1: Типология задач и полный цикл ML-проекта
- Регрессия, классификация, кластеризация, аномалии
- CRISP-DM методология на практике
- Постановка задачи: от бизнес-проблемы к ML-задаче
- Jupyter Notebooks: рабочая среда ML-инженера
M2
Модуль 2: Исследовательский анализ данных (EDA)
- Pandas: загрузка, очистка, трансформация данных
- Визуализация с Matplotlib и Seaborn
- Выявление пропущенных значений и выбросов
- Корреляции, распределения, статистические тесты
M3
Модуль 3: Feature Engineering: создание признаков
- Кодирование категориальных переменных
- Обработка временных данных и временных рядов
- Нормализация и стандартизация
- Feature selection: фильтрационные и обёрточные методы
M4
Модуль 4: Линейные и деревьевые модели
- Линейная и логистическая регрессия: интуиция и реализация
- Decision Trees: интерпретируемые модели
- Random Forest и бэггинг
- Gradient Boosting: XGBoost, LightGBM, CatBoost
M5
Модуль 5: Оценка и диагностика моделей
- Метрики классификации: accuracy, precision, recall, F1, ROC-AUC
- Метрики регрессии: MAE, RMSE, R², MAPE
- Cross-validation: k-fold, stratified, time-series split
- Диагностика: bias-variance tradeoff, learning curves
M6
Модуль 6: Настройка гиперпараметров
- Grid Search и Random Search
- Bayesian Optimization (Optuna, Hyperopt)
- Early stopping и регуляризация
- Ансамблирование моделей: stacking, blending
M7
Модуль 7: Интерпретируемость и объяснение моделей
- SHAP-значения: глобальная и локальная интерпретация
- LIME для объяснений отдельных предсказаний
- Partial Dependence Plots и Feature Importance
- Коммуникация результатов с бизнесом
M8
Модуль 8: Работа с несбалансированными данными и специальные задачи
- Дисбаланс классов: oversampling (SMOTE), undersampling, веса классов
- Обнаружение аномалий: Isolation Forest, One-Class SVM
- Рекомендательные системы: collaborative и content-based filtering
- Обработка текста: TF-IDF и классические NLP-методы
M9
Модуль 9: MLOps: от ноутбука к production
- Воспроизводимость: MLflow для отслеживания экспериментов
- Деплой модели как REST API (FastAPI + Docker)
- Мониторинг дрейфа данных (data drift, concept drift)
- CI/CD для ML: автоматическое переобучение и валидация
Приступите к практике ML уже сегодня
Все материалы программы доступны бесплатно. Начните с первого модуля или оставьте заявку на уведомления об обновлениях.
Записаться на программу
