Академия информационных систем
Машинное обучение. Базовый уровень
23 - 27 Ноября 2026 г.
Другие датыО курсе
Машинное обучение. Базовый уровень — это комплексная программа для освоения современных инструментов анализа данных и создания ML-решений. Курс создан для специалистов, которые хотят научиться работать с данными и применять алгоритмы машинного обучения на практике.
Программа охватывает все ключевые аспекты работы с данными: от подготовки и анализа до создания полноценных ML-решений. Участники научатся работать с Python, scikit-learn и другими инструментами Data Science, освоят методы обработки данных и построения моделей.
Основное внимание уделяется практическим навыкам: участники научатся создавать воспроизводимые ML-пайплайны, оценивать качество моделей и применять полученные знания в реальных бизнес-задачах. Курс поможет сформировать профессиональные компетенции для успешной работы в сфере анализа данных и машинного обучения.
Предварительные требования к уровню подготовки слушателей:
Уверенное владение базовыми конструкциями Python, понимание типов данных, функций и модулей. Достаточно уметь запускать проект в PyCharm, работать с терминалом и устанавливать зависимости через pip.
Кому будет полезен курс
Начинающие специалисты
Разработчики
Аналитики
Руководители
Преимущества нашей программы
Комплексный подход к освоению машинного обучения: программа охватывает все ключевые аспекты работы с данными — от первичной обработки до создания полноценных ML-решений. Вы изучите современные инструменты анализа данных, научитесь работать с различными типами моделей и освоите методы оценки их эффективности.
Практическая направленность обучения: каждый модуль включает реальные кейсы из практики ведущих компаний, что позволяет сразу применять полученные знания в работе. Вы будете работать с настоящими датасетами, решать актуальные бизнес-задачи и осваивать современные подходы к организации ML-проектов.
Профессиональная среда обучения: курс построен на использовании актуального стека технологий — Python, scikit-learn, NumPy, Pandas. Вы освоите профессиональную среду разработки PyCharm и научитесь организовывать ML-проекты по современным стандартам индустрии.
Системная структура обучения: программа выстроена по принципу от простого к сложному, что обеспечивает глубокое понимание всех аспектов машинного обучения. Вы последовательно освоите базовые концепции и перейдёте к работе со сложными алгоритмами.
Программа курса
Модуль 1. Введение в машинное обучение и рабочая среда
- Что такое ML, типы задач, постановка задачи и критерий качества
- Датасет, признак, целевая переменная, обучение и обобщение
- Подготовка проекта в PyCharm, виртуальное окружение, pip, структура репозитория
- Базовый цикл ML-проекта, требования к воспроизводимости
Практический фокус: решение задач в PyCharm, работа с кодом и разбор типовых ошибок.
Модуль 2. Данные и базовый стек Data Science
- NumPy: массивы, формы, базовые операции, преобразования типов
- Pandas: DataFrame, индексация, фильтрация, агрегации, join и groupby
- Визуализация в matplotlib, проверка гипотез о данных через графики
- Чтение данных, первичная очистка, фиксация правил предобработки
Модуль 3. EDA и подготовка данных без утечек
- Исследовательский анализ данных: распределения, корреляции, целевая переменная
- Пропуски, выбросы, стратегии заполнения и отсечения
- Кодирование категорий: one-hot, ordinal, работа с редкими категориями
- Масштабирование и нормализация, train-test split, data leakage
- Pipeline и ColumnTransformer, единый процесс для обучения и инференса
Модуль 4. Регрессия, базовые модели и метрики
- Линейная регрессия и регуляризация: Ridge и Lasso
- Метрики MAE, MSE, RMSE, R2 и их интерпретация
- Сравнение моделей и базовая настройка гиперпараметров
- Сохранение модели и повторяемый расчет метрик
Модуль 5. Классификация и деревья решений
- Логистическая регрессия, вероятности и пороги решений
- Метрики accuracy, precision, recall, F1, ROC-AUC
- kNN, Decision Tree, Random Forest как базовые сильные модели
- Матрица ошибок, выбор порога, интерпретация ошибок 1 и 2 рода
Модуль 6. Итоговый мини-проект на табличных данных
- Выбор задачи, формулировка цели и метрики
- Сборка полного пайплайна, обучение, оценка, оформление результатов
- Сохранение артефактов, краткий README и инструкция по запуску
Итоговая аттестация
По окончании обучения выдается
Удостоверение о повышении квалификации
Вы получите уверенное владение базовыми инструментами машинного обучения.
Умение подготавливать и анализировать данные.
Способность создавать воспроизводимые ML-решения.
Навыки работы с популярными библиотеками Python.
Понимание метрик оценки моделей
Как вы будете учиться
Получить персональное предложение
