МАШИННОЕ ОБУЧЕНИЕ Базовый — Продвинутый

Машинное обучение: полный курс

Самый полный учебный путь по ML на платформе Torvix. 14 модулей, 50+ алгоритмов, более 95 часов структурированных материалов. От математических основ до production-ready решений.

14
Модулей
95+
Часов материалов
50+
Алгоритмов
Узнать подробности
Ноутбук с открытым Jupyter Notebook на темном столе, на экране — код Python с визуализацией матрицы ошибок и метрик точности модели машинного обучения

Учебная программа

01

Математические основы ML

Линейная алгебра, матричные операции, теория вероятностей, статистические распределения, градиентный спуск и оптимизация.

5 занятий
02

Обзор экосистемы Python для ML

NumPy, pandas, Matplotlib, seaborn. Работа с датасетами, EDA, Feature Engineering, обработка пропусков и выбросов.

4 занятия
03

Линейные модели

Линейная и логистическая регрессия, регуляризация L1/L2, SGD. Практика на датасетах Boston Housing и Titanic.

6 занятий
04

Деревья принятия решений

Алгоритм ID3, C4.5, CART. Критерии разбиения: Gini, энтропия, MSE. Проблема переобучения и ограничение глубины.

5 занятий
05

Ансамблевые методы

Bagging, Random Forest, Extra Trees. Boosting: AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoost. Сравнительный анализ.

8 занятий
06

SVM и метрические методы

Метод опорных векторов, kernel trick, kNN, K-Means, DBSCAN, иерархическая кластеризация.

6 занятий
07

Нейронные сети с нуля

Перцептрон, backpropagation, архитектуры MLP. Реализация нейронной сети на NumPy без фреймворков.

7 занятий
08

Введение в Deep Learning

PyTorch и TensorFlow: основы. CNN для классификации изображений, RNN для временных рядов.

8 занятий

О программе

  • Уровень Базовый — Продв.
  • Модулей 14
  • Длительность 95+ часов
  • Язык материалов Русский / Eng
  • Обновлено Март 2025
Записаться на программу

Бесплатная консультация без обязательств

Что вы изучите

Выбирать подходящий алгоритм ML для конкретной задачи
Математически обосновывать работу моделей
Проводить полный цикл EDA и Feature Engineering
Обучать, валидировать и тюнить гиперпараметры моделей
Интерпретировать модели с SHAP и LIME
Разворачивать ML-модели в production-среде