Основы машинного обучения: создание моделей ИИ экспертного уровня -
Logo

🎙️ Курсы на английском — смотрите с русской или оригинальной озвучкой и субтитрами

🎓

Единая подписка на два сервиса

Оформите PRO подписку на сайте Learn Free Courses и получите доступ ко всем премиум курсам здесь + безлимитный перевод видео на Udemy через расширение Udemy Translator.

Оформить подписку

✨ Что вы получаете:

  • ✓ Все премиум курсы с русской озвучкой
  • ✓ Материалы, субтитры, конспекты
  • ✓ Безлимитный перевод видео (Udemy Translator PRO)
  • ✓ Одна подписка — два сервиса

📋 Как активировать:

  1. Оформите подписку на сайте Learn Free Courses
  2. Скопируйте API ключ из профиля на том сайте
  3. Вставьте ключ в настройках профиля здесь
Курс перевод на русский

Основы машинного обучения: создание моделей ИИ экспертного уровня

Оригинал: Machine Learning Foundations: Build Expert-Level AI Models

17 ч 30 мин Машинное обучение 140 уроков Уроки на русском языке 🎤 Новый перевод
Оригинальный источник

Скачать курс по Машинное обучение. Основы машинного обучения: создание моделей ИИ экспертного уровня

Нужен архив курса целиком?

Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).

Пропущены номера уроков?

Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.

Превью: 001. Реальные примеры использования Python

Превью: 001. Реальные примеры использования Python

Это первый урок курса "Основы машинного обучения: создание моделей ИИ экспертного уровня". Зарегистрируйтесь и оформите подписку для доступа ко всем 140 урокам.

Регистрация Войти Оформить подписку

Раздел

О курсе на русском языке

17 ч 30 мин 140 уроков Машинное обучение
Структурированная программа по освоению машинного обучения — от базовых понятий до построения и применения полноценных моделей ИИ 🤖

Этот курс предназначен для начинающих и практиков, которые хотят системно освоить машинное обучение и аналитику данных. Вы начнёте с изучения Python как основного языка для работы с данными, затем разберётесь в статистике и проверке гипотез, а после этого перейдёте к практической работе с реальными наборами данных и моделями.
Вы узнаете, как:

  • 🧠 Писать чистый и эффективный код на Python для анализа данных и ML-задач
  • 📊 Понимать ключевые статистические концепции для интерпретации данных
  • 🧪 Проводить проверку гипотез для обоснования бизнес-решений
  • 📈 Анализировать и визуализировать данные современными инструментами
  • 🧹 Очищать и подготавливать реальные данные к использованию
  • 🤖 Строить, оценивать и оптимизировать модели машинного обучения
Что входит в программу:

  • 🎓 Последовательное обучение Python для задач анализа данных и ИИ
  • 📐 Модули по статистике и аналитическому мышлению
  • 🛠 Практические задания по анализу, визуализации и очистке данных
  • 🤖 Построение, обучение и оценка моделей машинного обучения
Курс построен так, чтобы вы шаг за шагом развивали как технические навыки, так и понимание того, как применять машинное обучение для решения реальных задач.
Подходит для тех, кто хочет войти в сферу data science и ИИ или укрепить фундамент для дальнейшего профессионального роста.

Сводка

Информация о курсе

Категория

Машинное обучение

Длительность

1050 мин

Уроки

140 уроков

Назад к курсам

  • 1. 001. Реальные примеры использования Python

    RU

  • 2. 002. Установка Anaconda для Windows и Mac OS

  • 3. 003. Введение в переменные

  • 4. 004. Введение в типы данных и преобразование типов

  • 5. 005. Область видимости переменных

  • 6. 006. Введение в операторы

  • 7. 008. Введение в Lists и Tuples

  • 8. 009. Введение в множества и словари

  • 9. 010. Введение в Stacks и Queues

  • 10. 011. Введение в сложность по времени и памяти

  • 11. 012. Введение в алгоритмы сортировки

  • 12. 013. Введение в алгоритмы поиска

  • 13. 015. Введение в параметры и аргументы

  • 14. 016. Введение в модули Python

  • 15. 017. Введение в функции Filter, Map и Zip

  • 16. 018. Введение в списки, множества и словарные включения

  • 17. 019. Введение в лямбда-функции

  • 18. 020. Введение в аналитические и агрегатные функции

  • 19. 022. Введение в Strings

  • 20. 023. Введение в важные функции строк

  • 21. 024. Введение в форматирование строк и ввод пользователя

  • 22. 025. Введение в метасимволы

  • 23. 026. Введение в встроенные функции для регулярных выражений

  • 24. 027. Специальные символы и наборы для регулярных выражений

  • 25. 029. Введение в условные операторы

  • 26. 030. Введение в For Loops

  • 27. 031. Введение в циклы While

  • 28. 032. Введение в Break и Continue

  • 29. 033. Использование условных операторов в циклах

  • 30. 034. Вложенные циклы и условные операторы

  • 31. 036. Введение в концепцию ООП

  • 32. 037. Введение в наследование

  • 33. 038. Введение в Encapsulation

  • 34. 039. Введение в полиморфизм

  • 35. 040. Введение в класс Date и Time

  • 36. 041. Введение в класс Time Delta

  • 37. 043. Введение в статистику и её значение

  • 38. 044. Роль статистики в анализе данных

  • 39. 045. Введение в Python для статистического анализа

  • 40. 047. Типы данных

  • 41. 048. Показатели центральной тенденции

  • 42. 049. Меры разброса

  • 43. 050. Меры зависимости

  • 44. 051. Меры формы и положения

  • 45. 052. Меры стандартных баллов

  • 46. 054. Введение в основы вероятности

  • 47. 055. Введение в теорию множеств

  • 48. 056. Введение в условную вероятность

  • 49. 057. Введение в Теорему Байеса

  • 50. 058. Введение в перестановки и комбинации

  • 51. 059. Введение в случайные величины

  • 52. 060. Введение в функции распределения вероятностей

  • 53. 062. Введение в нормальное распределение

  • 54. 063. Введение в асимметрию и куртозис

  • 55. 064. Введение в статистические преобразования

  • 56. 065. Введение в выборочные и генеральные средние

  • 57. 066. Введение в теорему Центрального предела

  • 58. 067. Введение в Bias и Variance

  • 59. 068. Введение в метод максимального правдоподобия

  • 60. 069. Введение в доверительные интервалы

  • 61. 070. Введение в корреляции

  • 62. 071. Введение в методы выборки

  • 63. 073. Основы проверки гипотез

  • 64. 074. Введение в T-тесты

  • 65. 075. Введение в Z-тесты

  • 66. 076. Введение в тестыхи-квадрат

  • 67. 077. Введение в ANOVA тесты

  • 68. 079. Введение в массивы Numpy

  • 69. 080. Введение в операции с Numpy

  • 70. 081. Введение в Pandas

  • 71. 082. Введение в Series и DataFrames

  • 72. 083. Чтение данных CSV и JSON с помощью Pandas

  • 73. 084. Анализ данных с помощью Pandas

  • 74. 086. Индексация, срезы и фильтрация данных

  • 75. 087. Слияние и конкатенация в Pandas

  • 76. 088. Корреляция и построение графиков с использованием Pandas

  • 77. 089. Введение в функции Lambda, Map и Apply

  • 78. 090. Введение в группировочные операции с Pandas

  • 79. 091. Введение в кросс-табуляцию с использованием Pandas

  • 80. 092. Введение в фильтрацию данных с помощью Pandas

  • 81. 093. Интерактивные операции группировки и фильтрации

  • 82. 095. Факторы хорошей визуализации данных

  • 83. 096. Введение в унивариативную визуализацию данных

  • 84. 097. Введение в двумерные визуализации данных

  • 85. 098. Построение двух категориальных переменных

  • 86. 099. Введение в многомерные визуализации данных

  • 87. 100. Введение в Heatmaps и Pairplots

  • 88. 102. Цветовые градиенты, фасетные сетки и подграфики

  • 89. 103. Введение в визуализацию 3D данных

  • 90. 104. Введение в интерактивную визуализацию данных

  • 91. 105. Введение в карты с использованием Plotly

  • 92. 106. Введение в воронки и диаграммы Ганта с использованием Plotly

  • 93. 107. Введение в анимированные визуализации данных с использованием Plotly

  • 94. 109. Причины и влияние отсутствующих значений

  • 95. 110. Типы отсутствующих значений

  • 96. 111. Когда удалять пропущенные значения из данных

  • 97. 112. Заполнение пропущенных значений статистическими методами

  • 98. 113. Заполнение пропусков с бизнес-логикой

  • 99. 114. Влияние выбросов на ML модели

  • 100. 115. Работа с выбросами в данных

  • 101. 116. Введение в Label и Ordinal Encoding

  • 102. 117. Введение в двоичное и N-ичное кодирование

  • 103. 118. Введение в Target Encoding

  • 104. 119. Введение в функции Reindex, Set Index, Reset Index и Sort Index

  • 105. 120. Введение в функции Replace и Droplevel

  • 106. 121. Введение в функции Split и Strip

  • 107. 122. Введение в функции Stack и Unstack

  • 108. 123. Введение в функции Melt, Explode и Squeeze

  • 109. 124. Введение в функции At Time и Between Time

  • 110. 125. Введение в функции Nlargest и Nsmallest

  • 111. 126. Как удалить ненужные столбцы

  • 112. 127. Декомпозиция функций даты и времени

  • 113. 128. Декомпозиция категориальных признаков

  • 114. 129. Биннинг числовых признаков

  • 115. 130. Агрегация Features

  • 116. 131. Как индустрии используют Machine Learning

  • 117. 132. Классификация vs Регрессия

  • 118. 133. Преобразование данных с помощью линейной регрессии

  • 119. 134. K-блочная кросс-валидация

  • 120. 135. Анализ производительности модели регрессии

  • 121. 136. Понимание R2 и скорректированного R2

  • 122. 137. MAE, RMSE, R2 и скорректированный R2 в коде

  • 123. 138. Значимость линейной регрессии в индустрии

  • 124. 139. Что такое регуляризация и почему это важно

  • 125. 140. Интуиция Lasso, Ridge и Elastic Net

  • 126. 141. Применение Lasso, Ridge и Elastic Net в Sklearn

  • 127. 142. Введение в логистическую регрессию

  • 128. 143. Реализация логистической регрессии с помощью Sklearn

  • 129. 144. Выбор признаков с использованием RFE-CV

  • 130. 145. Настройка гиперпараметров с использованием Grid Search

  • 131. 146. Применение кросс-валидации

  • 132. 147. Использование Accuracy Score для анализа производительности модели

  • 133. 148. Применимость логистической регрессии в индустрии

  • 134. 149. Ядро и трюки для SVM

  • 135. 150. Реализация Support Vector Machines с использованием Sklearn

  • 136. 151. Введение в K ближайших соседей

  • 137. 152. Реализация K ближайших соседей с использованием Sklearn

  • 138. 153. Введение в Наивный и Гауссов Наивный Байесовский алгоритм

  • 139. 154. Реализация Наивного Байеса с использованием Sklearn

  • 140. 155. Когда применять алгоритмы SVM, KNN, Naive Bayes