Программа повышения квалификации посвящена практическому освоению методов машинного обучения с использованием Python. Рассматриваются ключевые этапы ML-проекта – от загрузки и предобработки данных до построения моделей, их оптимизации и оценки. Изучаются методы классификации, регрессии, кластеризации, техники отбора признаков, снижение размерности и интерпретация моделей. Работа ведётся с использованием библиотек scikit-learn, NumPy, Pandas и инструментов визуализации.
Обучение организовано в онлайн-формате, в группе по утверждённому расписанию. Каждая тема закрепляется на практике – участники применяют полученные знания к реальным датасетам и разрабатывают собственный проект.
Документ по окончании
📜 Удостоверение о повышении квалификации – для слушателей с высшим или средним профессиональным образованием.
📜 Сертификат о прохождении обучения – для всех остальных участников.
Содержание
- 5 модуля
- 40 уроков
- 40 часов
- Блок 1. Введение в машинное обучение6
- 1.1Основные концепции машинного обучения
- 1.2Практическая работа №1. Настройка окружения и работа с датасетом
- 1.3Основные библиотеки и инструменты для машинного обучения
- 1.4Практическая работа №2. Загрузка и исследование датасета (EDA)
- 1.5Разделение данных на обучающую и тестовую выборки
- 1.6Практическая работа №3. Разделение данных и проверка их качества
- Блок 2. Предобработка данных (scikit-learn)8
- 2.1Работа с пропущенными значениями
- 2.2Практическая работа №4. Обработка пропущенных значений в датасете
- 2.3Кодирование категориальных признаков
- 2.4Практическая работа №5. Кодирование категориальных признаков
- 2.5Масштабирование данных
- 2.6Практическая работа №6. Масштабирование признаков для машинного обучения
- 2.7Выбор важных признаков (Feature Selection)
- 2.8Практическая работа №7. Автоматический отбор признаков
- Блок 3. Классификация и регрессия10
- 3.1Введение в методы классификации
- 3.2Практическая работа №8. Реализация простого классификатора
- 3.3Линейные модели: Логистическая регрессия
- 3.4Практическая работа №9. Обучение логистической регрессии на реальных данных
- 3.5Деревья решений в классификации
- 3.6Практическая работа №10. Классификация с использованием деревьев решений
- 3.7Ансамбли моделей: Random Forest и градиентный бустинг
- 3.8Практическая работа №11. Использование ансамблевых методов для улучшения классификации
- 3.9Методы регрессии: Линейная и полиномиальная регрессия
- 3.10Практическая работа №12. Моделирование зависимости с помощью линейной регрессии
- Блок 4. Кластеризация и снижение размерности6
- 4.1Введение в кластеризацию данных
- 4.2Практическая работа №13. Кластеризация данных с использованием KMeans
- 4.3Снижение размерности с PCA (Principal Component Analysis)
- 4.4Практическая работа №14. Применение PCA для снижения размерности данных
- 4.5DBSCAN и агломеративная кластеризация
- 4.6Практическая работа №15. Кластеризация данных с DBSCAN
- Блок 5. Оценка моделей и гиперпараметры10
- 5.1Оценка качества модели: метрики и кросс-валидация
- 5.2Практическая работа №16. Оценка модели классификации
- 5.3Балансировка классов в данных
- 5.4Практическая работа №17. Балансировка данных перед обучением модели
- 5.5Подбор гиперпараметров моделей
- 5.6Практическая работа №18. Автоматический подбор параметров для улучшения модели
- 5.7Интерпретируемость моделей и SHAP
- 5.8Практическая работа №19. Анализ важности признаков с SHAP
- 5.9Итоговый проект по машинному обучению
- 5.10Практическая работа №20. Финальный проект по машинному обучению
Да, курс подойдёт слушателям, владеющим Python и базовыми знаниями обработки таблиц.
В курсе используются scikit-learn, Pandas, NumPy, matplotlib, seaborn, SHAP и другие.
Да, слушатели выполняют задания по подбору гиперпараметров, оценке метрик, балансировке классов и визуализации.
Проект предполагает применение всех изученных техник к собственному или предоставленному датасету с последующей защитой.
Требования
- Владение Python на базовом уровне
- Знание основ работы с таблицами и данными (CSV, Excel, SQL)
- Установленная среда разработки (рекомендации предоставляются в начале курса)
Особенности
- Последовательное освоение всех этапов машинного обучения
- Только прикладной подход – работа на реальных датасетах
- Изучение лучших библиотек Python для ML
- Практика по каждой теме – предобработка, построение, отбор, интерпретация
- Разработка финального проекта на собственных или предложенных данных
- По желанию обучение доступно в индивидуальном формате (1 на 1 с преподавателем), в группе или в формате самостоятельного прохождения
Целевая аудитория
- Специалисты, работающие с данными и желающие освоить ML-инструменты
- Аналитики, переходящие к задачам машинного обучения
- Начинающие Data Scientists
- Разработчики, планирующие внедрение интеллектуальной обработки данных
- Все, кто хочет научиться строить и интерпретировать ML-модели