0Pricing
Machine Learning Academy icon
PythonPythonAiData_scienceУровни A1 → B215 языков

Machine Learning Academy

Изучите машинное обучение с нуля. Строите и оцениваете модели с scikit-learn, овладеваете методами ансамбля и переходите к глубокому обучению с PyTorch. Путь обучения CoddyKit: 30 коротких курсов и 120 интерактивных уроков, а рядом с тобой — ИИ-репетитор 24/7.

Курсы
30
Уроки
120
Интерактивные шаги
1,552
Можно начать бесплатно
Курс 1
Программа обучения

30 курсов в этом пути

Все курсы на пути Machine Learning Academy в порядке прохождения. Первый курс бесплатный.

1

A14 уроковБесплатно

Узнайте, что такое машинное обучение и чем оно отличается от традиционного программирования. Изучите три основные парадигмы обучения и рассмотрите реальные примеры решения задач с помощью машинного о…

  1. 1Традиционное программирование и машинное обучение
  2. 2Обучение с учителем, без учителя и с подкреплением
  3. 3Рабочий процесс машинного обучения: от данных к предсказанию
  4. +1 ещё
Начать учиться бесплатно
2

A14 уроковPRO

Настройте профессиональную среду разработки машинного обучения с Anaconda, Jupyter и основным научным стеком Python. Научитесь обрабатывать массивы с помощью NumPy и таблицы данных с помощью Pandas,…

  1. 1Установка Anaconda и Jupyter Notebook
  2. 2Основы NumPy: массивы и математические операции
  3. 3Pandas для обработки данных
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
3

A14 уроковPRO

Сформируйте интуитивное понимание обучения с учителем, обучив свою первую прогнозную модель с нуля. Вы узнаете, как линейная регрессия находит наиболее подходящую прямую через данные и как оценить то…

  1. 1Уравнение прямой: наклон, пересечение с осью и прогнозы
  2. 2Функции потерь и метод наименьших квадратов
  3. 3Обучение линейной регрессии с scikit-learn
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
4

A14 уроковPRO

Перейдите от прогнозирования чисел к прогнозированию категорий. Изучите логистическую регрессию как первый классификатор и узнайте, как сигмоидальная функция превращает линейную оценку в вероятность.…

  1. 1От регрессии к классификации: решения по порогу
  2. 2Логистическая регрессия и сигмоидальная функция
  3. 3Матрица ошибок: объяснение
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
5

A14 уроковPRO

Узнайте, почему оценка модели на собственных обучающих данных даёт неоправданно оптимистичные результаты и как предотвратить это с помощью правильного разделения данных. Освойте разделение на обучающ…

  1. 1Почему нельзя оценивать модель на обучающих данных
  2. 2train_test_split: соотношения, начальные значения и стратификация
  3. 3Компромисс смещения и дисперсии: недообучение и переобучение
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
6

A24 уроковPRO

Исходные данные почти никогда не готовы для модели: в них есть пропуски, масштабы значений сильно различаются, а категориальные строки нужно закодировать. Этот курс даст Вам системный набор инструмен…

  1. 1Обработка пропущенных значений: удаление, заполнение и маркировка
  2. 2Масштабирование признаков: StandardScaler и MinMaxScaler
  3. 3Кодирование категориальных переменных: OrdinalEncoder и OneHotEncoder
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
7

A24 уроковPRO

Изучите один из самых интуитивно понятных алгоритмов классификации и регрессии: прогнозируйте метку новой точки по большинству голосов её k ближайших соседей. Поймите, как выбор k и метрики расстояни…

  1. 1Как работает KNN: расстояния, соседи и голоса
  2. 2Выбор k: метод локтя и кривые валидации
  3. 3Метрики расстояния: евклидова, манхэттенская и Минковского
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
8

A24 уроковPRO

Деревья решений разделяют данные, задавая вопросы с ответами «да» или «нет», и строят наглядную блок-схему, которую легко объяснить специалистам без технической подготовки. Вы узнаете, как алгоритм в…

  1. 1Построение дерева: разбиения, узлы и листья
  2. 2Неоднородность Джини и прирост информации
  3. 3Управление глубиной дерева для предотвращения переобучения
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
9

A24 уроковPRO

Наивный Байес применяет теорему Байеса, предполагая сильную независимость признаков, благодаря чему он чрезвычайно быстро работает с многомерными текстовыми данными. Вы создадите фильтр спама, изучит…

  1. 1Теорема Байеса простыми словами
  2. 2Мешок слов: CountVectorizer и TfidfVectorizer
  3. 3Обучение классификатора наивного Байеса с MultinomialNB
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
10

A24 уроковPRO

Одной точности недостаточно, если классы несбалансированы или стоимость ошибок классификации различается. Освойте полный набор инструментов оценки: ROC-AUC, кривые точности и полноты, среднюю абсолют…

  1. 1Метрики классификации: точность, precision, recall и F1
  2. 2ROC-кривые и AUC-ROC
  3. 3Метрики регрессии: MAE, MSE, RMSE и R-квадрат
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
11

B14 уроковPRO

Одно дерево решений переобучается, а лес разнообразных деревьев значительно лучше обобщает данные. Вы узнаете, как случайные леса объединяют сотни деревьев, обученных на случайных подмножествах данны…

  1. 1Бэггинг: объяснение агрегирования с помощью бутстрепа
  2. 2Случайный выбор признаков: приём случайного леса
  3. 3Внутрилесная ошибка: бесплатная проверка внутри леса
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
12

B14 уроковPRO

SVM находят гиперплоскость с максимальным зазором, разделяющую классы, благодаря чему обладают сильными теоретическими гарантиями обобщающей способности. Вы изучите ядерный трюк, позволяющий SVM обра…

  1. 1Классификатор с максимальным зазором: опорные векторы и гиперплоскость
  2. 2SVM с мягким зазором и параметр C
  3. 3Ядерный приём: ядра RBF, полиномиальное и сигмоидальное
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
13

B14 уроковPRO

Градиентный бустинг последовательно обучает слабые модели, каждая из которых исправляет остаточные ошибки предыдущей, обеспечивая передовые результаты на табличных данных. Освойте XGBoost и LightGBM…

  1. 1Интуиция бустинга: последовательное исправление ошибок
  2. 2XGBoost: регуляризация, ранняя остановка и важность признаков
  3. 3LightGBM: рост по листьям и преимущества скорости
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
14

B14 уроковPRO

Единичное разделение на обучающую и тестовую выборки может вводить в заблуждение из-за случайных различий в разбиении данных. Кросс-валидация даёт более надёжную оценку, усредняя результаты нескольки…

  1. 1К-блочная перекрёстная проверка: разбиение без утечки данных
  2. 2Стратифицированная и временная перекрёстная проверка
  3. 3Поиск по сетке и случайный поиск
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
15

B14 уроковPRO

Качество признаков определяет предел производительности Вашей модели независимо от выбранного алгоритма. Научитесь создавать новые информативные признаки из исходных данных с помощью преобразований,…

  1. 1Создание новых признаков: логарифмы, интервалы и взаимодействия
  2. 2Извлечение признаков даты и времени
  3. 3Отбор признаков: порог дисперсии и SelectKBest
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
16

B14 уроковPRO

Кластеризация — это обучение без учителя, которое находит естественные группы в данных без меток. Освойте K-Means для кластеров сферической формы и DBSCAN для кластеров произвольной формы и обнаружен…

  1. 1K-средних: центроиды, присваивание и обновление
  2. 2Выбор K: метод локтя и показатель силуэта
  3. 3DBSCAN: внутренние, граничные и шумовые точки
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
17

B14 уроковPRO

Данные высокой размерности сложно визуализировать, и в них часто встречаются избыточные признаки, замедляющие обучение. PCA сжимает информацию в ортогональные компоненты, сохраняя дисперсию, а t-SNE…

  1. 1PCA: дисперсия, собственные векторы и главные компоненты
  2. 2Проецирование данных и восстановление по компонентам
  3. 3t-SNE: сохранение соседства при визуализации
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
18

B14 уроковPRO

Конвейеры scikit-learn объединяют этапы предварительной обработки и построения модели в один объект, предотвращая утечку данных и упрощая развёртывание. Вы научитесь создавать, проверять методом крос…

  1. 1Ваш первый конвейер: масштабирование и классификатор
  2. 2ColumnTransformer внутри конвейера
  3. 3Перекрёстная проверка и поиск по сетке для полного конвейера
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
19

B14 уроковPRO

В обнаружении мошенничества, медицинской диагностике и многих других критически важных задачах один класс может составлять менее 1% примеров. Обучение на таких данных даёт обманчиво высокую точность…

  1. 1Выявление дисбаланса: распределение классов и ошибки базовой модели
  2. 2Случайное увеличение выборки и SMOTE
  3. 3Случайное уменьшение выборки и ClusterCentroids
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
20

B14 уроковPRO

Модель полезна только тогда, когда может делать прогнозы для новых данных за пределами ноутбука Jupyter. Вы научитесь сохранять конвейеры scikit-learn и управлять их версиями, размещать их за минимал…

  1. 1Сохранение моделей с помощью joblib и pickle
  2. 2Версионирование моделей: почему важны имена файлов и метаданные
  3. 3Получение прогнозов через конечную точку FastAPI
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
21

B24 уроковPRO

PyTorch — ведущий исследовательский и промышленный фреймворк для глубокого обучения. Вы создадите первую полносвязную нейронную сеть, начиная с тензоров, поймёте принцип работы autograd для вычислени…

  1. 1Тензоры PyTorch: создание, операции и перенос на GPU
  2. 2Autograd: автоматическое дифференцирование для обратного распространения
  3. 3Создание полносвязной сети с nn.Module
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
22

B24 уроковPRO

Хорошая архитектура — лишь половина успеха: именно динамика обучения определяет, сойдётся ли сеть к полезному решению. Освойте расписания скорости обучения, пакетную нормализацию, регуляризацию с пом…

  1. 1Скорость обучения: самый важный гиперпараметр
  2. 2Нормализация пакетов: стабильное и быстрое обучение
  3. 3Регуляризация Dropout для предотвращения переобучения
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
23

B24 уроковPRO

CNN используют пространственную структуру изображений благодаря локальному разделению весов и операциям объединения, уменьшая число параметров и повышая устойчивость к сдвигам. Вы создадите классифик…

  1. 1Свёртка и фильтры: обнаружение границ и шаблонов
  2. 2Слои пулинга: пространственное уменьшение и инвариантность
  3. 3Создание и обучение CNN на CIFAR-10
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
24

B24 уроковPRO

Последовательные данные, такие как временные ряды, текст и аудио, содержат временные зависимости, которые обычные полносвязные сети игнорируют. RNN обрабатывают последовательности шаг за шагом с общи…

  1. 1Обычные RNN: скрытое состояние и разворачивание последовательности
  2. 2Проблема затухающих градиентов на глубоких временных шагах
  3. 3Ячейка LSTM: входные, забывающие и выходные ворота
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
25

B24 уроковPRO

Обучение больших сетей с нуля требует огромных наборов данных и вычислительных ресурсов. Перенос обучения повторно использует веса моделей, предварительно обученных на миллионах примеров, позволяя до…

  1. 1Предобученные модели в torchvision: ResNet, EfficientNet и ViT
  2. 2Извлечение признаков: заморозка базовой сети
  3. 3Дообучение: разморозка и низкая скорость обучения
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
26

B24 уроковPRO

Двунаправленная архитектура трансформера BERT учитывает контекст в обоих направлениях и превосходит более старые последовательные модели почти во всех тестах по обработке естественного языка. Научите…

  1. 1Архитектура Transformer: внимание, токены и контекст
  2. 2Токенизаторы Hugging Face: кодирование текста для BERT
  3. 3Дообучение BertForSequenceClassification
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
27

B24 уроковPRO

MLOps объединяет исследования в области машинного обучения и надёжную разработку промышленного программного обеспечения. Вы изучите отслеживание экспериментов с MLflow, воспроизводимые среды с Docker…

  1. 1Отслеживание экспериментов с MLflow: параметры, метрики и артефакты
  2. 2Воспроизводимые окружения с Docker для машинного обучения
  3. 3Реестр моделей: подготовка, продакшен и архивирование
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
28

B24 уроковPRO

В рабочей среде модели могут незаметно ухудшаться, когда реальный мир отдаляется от условий обучения. Вы научитесь отслеживать распределения прогнозов, своевременно обнаруживать дрейф данных и концеп…

  1. 1Дрейф данных: изменение распределения признаков со временем
  2. 2Дрейф концепции: когда связь между X и Y меняется
  3. 3Мониторинг распределений прогнозов и оценок уверенности
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
29

B24 уроковPRO

Поскольку системы машинного обучения принимают важные решения в сфере найма, кредитования и здравоохранения, понимание и аудит поведения моделей являются не только этической необходимостью, но и юрид…

  1. 1Значения SHAP: глобальная и локальная важность признаков
  2. 2LIME: локальные интерпретируемые объяснения, не зависящие от модели
  3. 3Метрики справедливости: демографический паритет и равные возможности
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
30

B24 уроковPRO

Объедините все навыки этого трека в одном полноценном проекте: получите и очистите реальный набор данных, создайте признаки, обучите и настройте несколько моделей, оцените и сравните их, а затем подг…

  1. 1Определение рамок проекта: постановка задачи и критерии успеха
  2. 2Подготовка данных и исследовательский анализ
  3. 3Турнир по выбору моделей: сравнение пяти алгоритмов
  4. +1 ещё
Начать учиться бесплатноРазблокировать с PRO
CoddyKit PRO

Открой все 30 курсов на этом пути и все курсы на остальных путях

ИИ-репетитор, сертификационный экзамен и сертификат. Работает в веб-версии, на iOS и Android.

Посмотреть все планы
На год$29.90 / годОколо $2.49 в месяцОплатить один разНавсегда$69.99 одним платежомБез продления. PRO навсегда.
Обзор курса

Machine Learning with Python

Изучите машинное обучение с нуля. Строите и оцениваете модели с scikit-learn, овладеваете методами ансамбля и переходите к глубокому обучению с PyTorch. Этот трек включает 30 прогрессивных мини-курсов от абсолютного начинающего (A1) до продвинутого уровня (B2), с короткими сосредоточенными уроками и быстрыми тестами для закрепления каждой концепции.

What You Will Learn

Вы начнёте с основ и продвинетесь через промежуточные и продвинутые темы, каждый курс строится на предыдущем. Каждый урок практический, с реальными примерами и доступным AI-репетитором, когда вам нужна помощь.

How It Works

Каждый курс разбит на четыре сосредоточенных урока. Завершите несколько уроков в день, и вы освоите весь трек за недели, а не месяцы.

Инструменты

Практикуйся с ИИ, а не просто читай

Суперзаряди обучение с помощью инструментов и функций на базе ИИ

Чат с ИИОбщайся с ИИ-репетиторомЗадать супервопросПолучай ответы на уровне экспертаPROСоздать урокКонструктор уроков на базе ИИPROНачать экзаменПолучи сертификатPROНачать испытаниеПроверь свои навыки

Как ты будешь учиться

  1. 01

    Интерактивные уроки

    Практические упражнения по программированию с мгновенной обратной связью

  2. 02

    ИИ-репетитор

    Получай мгновенную помощь от нашего ИИ, когда застрянешь

  3. 03

    Встроенный редактор

    Пиши и запускай код прямо в браузере

  4. 04

    Сертификат

    Получи сертификат при завершении курса

Изучай дальше

Связанные пути обучения

Deep Learning AcademyMaster deep learning with PyTorch, from neurons and backpropagation to CNNs, Transformers…Data Science AcademyTurn raw data into insight with Python. Master NumPy, pandas, visualization, and scikit-l…NLP AcademyBuild language AI with Python. From text preprocessing and embeddings to Transformers, na…MLOps AcademyTake ML models to production: experiment tracking, serving, CI/CD, monitoring, and drift…Mojo AcademyLearn Mojo, Modular's Python-family language built for AI speed. Write Python-like code w…Pandas & NumPy AcademyGo from spreadsheets to production-grade data analysis. Master NumPy arrays, Pandas DataF…
Часто задаваемые вопросы

Часто задаваемые вопросы

Курс Machine Learning Academy бесплатный?

Да. Ты можешь начать курс Machine Learning Academy бесплатно и пройти его интерактивные уроки без платежей. Опциональная подписка PRO открывает продвинутые инструменты на базе ИИ и сертификат, который можно поделиться.

Нужен ли мне опыт, чтобы выучить Python?

Нет. Курс начинается с основ и постепенно переходит к более сложным темам, поэтому ты можешь начать даже без предыдущего опыта Python.

Как я выучу Python на CoddyKit?

Ты учишься на практике. Короткие интерактивные уроки сочетают понятное объяснение с практическими упражнениями по программированию, которые выполняются в реальном времени, а круглосуточный ИИ-репетитор помогает, когда ты застрянешь.

Получу ли я сертификат за завершение Machine Learning Academy?

Да. Пользователи PRO могут пройти экзамен и получить сертификат завершения Machine Learning Academy с проверяемым кодом.

Могу ли я выучить Python на телефоне?

Да. CoddyKit доступен в браузере и как нативное приложение на iOS и Android, так что ты можешь выучить Python на любом устройстве и твой прогресс синхронизируется.

Сколько стоит CoddyKit PRO?

Первый курс в Machine Learning Academy бесплатный. CoddyKit PRO открывает все курсы: $5.90 в неделю, $7.90 в месяц, $29.90 в год или $69.99 одним платежом за пожизненный доступ без продлений.

Сколько времени нужно, чтобы пройти Machine Learning Academy?

В Machine Learning Academy есть 30 курсов и 120 уроков. Большинство уроков занимает около 5–10 минут, поэтому весь путь — это примерно 14 часов практики в удобном для тебя темпе.

Начни Machine Learning Academy прямо сейчас

Присоединись к тысячам учеников, которые осваивают программирование с помощью уроков на AI.

Начать учиться бесплатноВсе курсы