Машинное обучение — это способ научить программу решать задачу не по жёстким правилам, которые написал человек, а на основе примеров из данных. Этот курс знакомит с основами ML с нуля: вы поймёте, чем обучение на данных отличается от обычного программирования, разберёте задачи регрессии и классификации, заглянете в обучение без учителя, научитесь видеть переобучение и оценивать качество моделей метриками, а в конце построите мост к нейросетям, глубокому обучению и большим языковым моделям. Математики — минимум, только самое нужное и всегда с объяснением «на пальцах». Нужен лишь базовый Python: часть примеров вы сможете запустить прямо в браузере.
Курс «Машинное обучение: основы» состоит из 6 разделов и 25 уроков: Что такое машинное обучение, Обучение с учителем: регрессия, Обучение с учителем: классификация, Обучение без учителя, Данные и обобщающая способность и Оценка моделей и современный AI. Уроки идут по порядку — от основ к более сложным темам, в каждом есть объяснение с примерами, а в конце — вопросы для самопроверки. К урокам привязаны задачи с автоматической проверкой: прочитали тему — сразу закрепили её кодом.
Программа учебника
6 разделов · 25 уроков1Что такое машинное обучение4 урока
- 1Чем ML отличается от обычного программированияГлавное отличие машинного обучения от классического кода: вместо правил, написанных человеком, программа находит закономерности в данных сама.
- 2Где применяется машинное обучениеПримеры ML из повседневной жизни: рекомендации, распознавание речи и лиц, антифрод, медицина, перевод — и что у них общего.
- 3Типы задач: с учителем, без учителя, с подкреплениемОбзор трёх главных видов машинного обучения: обучение с учителем, без учителя и с подкреплением — в чём разница и когда какой нужен.
- 4Базовая терминология MLПризнаки, метки, датасет, модель, обучение и инференс — словарь начинающего, без которого дальше не разобраться.
2Обучение с учителем: регрессия4 урока
- 5Регрессия: предсказываем числоЧто такое задача регрессии в ML: когда нужно предсказать число, чем она отличается от классификации и какие бывают примеры.
- 6Линейная регрессия на пальцахКак устроена линейная регрессия: уравнение прямой y = kx + b, наклон и сдвиг, и почему через облако точек проводят именно линию.
- 7Функция потерь и MSEЧто такое функция потерь, как среднеквадратичная ошибка (MSE) измеряет качество регрессии, и как посчитать MSE на обычном Python.
- 8Регрессия в scikit-learnКак линейная регрессия выглядит на практике в библиотеке scikit-learn: шаблон fit/predict, коэффициенты модели и оценка качества.
3Обучение с учителем: классификация4 урока
- 9Классификация: предсказываем классЧто такое классификация в ML: предсказание категории, бинарные и многоклассовые задачи, реальные примеры — спам, диагноз, распознавание.
- 10Граница решенияЧто такое граница решения в классификации: как модель делит пространство признаков на области классов и почему граница бывает прямой и кривой.
- 11Обзор алгоритмов классификацииКраткий и наглядный обзор главных алгоритмов классификации: kNN, логистическая регрессия и деревья решений — как они работают и когда их выбирать.
- 12kNN на пальцахМетод ближайших соседей kNN своими руками на чистом Python: считаем расстояния, находим соседей и голосуем за класс.
4Обучение без учителя3 урока
- 13Обучение без учителя: когда нет метокЧто такое обучение без учителя: задачи, где у данных нет правильных ответов, и как модель ищет в них скрытую структуру.
- 14Кластеризация и k-meansКак работает кластеризация методом k-means: центроиды, шаг присвоения и шаг пересчёта — наглядно и на чистом Python.
- 15Понижение размерности и PCAЗачем понижать размерность данных и как метод главных компонент (PCA) сжимает много признаков в несколько, сохраняя суть.
5Данные и обобщающая способность5 уроков
- 16Почему данные важнее алгоритмаПочему в машинном обучении качество данных важнее выбора алгоритма: мусор на входе — мусор на выходе, смещения и роль подготовки данных.
- 17Подготовка признаковБазовая подготовка данных для ML: нормализация числовых признаков и кодирование категорий, зачем это нужно и как сделать на Python.
- 18Train/test split: проверяем честноЗачем делить данные на обучающую и тестовую выборки: модель надо проверять на примерах, которых она не видела при обучении.
- 19Переобучение и недообучениеКлючевая тема ML: что такое переобучение (overfitting) и недообучение (underfitting), как их распознать по ошибке на train и test и как бороться.
- 20Кросс-валидацияЧто такое кросс-валидация и зачем она нужна: как надёжно оценить модель, по очереди используя разные части данных как тест.
6Оценка моделей и современный AI5 уроков
- 21Метрики классификации: accuracy, precision, recall, F1Метрики качества классификации: accuracy, precision, recall и F1 с интуицией, матрицей ошибок и расчётом на чистом Python.
- 22Метрики регрессии: MAE и RMSEМетрики качества регрессии: средняя абсолютная ошибка MAE и корень из среднеквадратичной RMSE — в чём разница и как считать.
- 23От нейрона к нейросетямЧто такое искусственный нейрон и перцептрон: взвешенная сумма, порог активации и как из нейронов собирают нейронные сети.
- 24Глубокое обучение и большие языковые моделиЧто такое глубокое обучение (deep learning), почему оно изменило AI, и очень кратко — что такое большие языковые модели (LLM) и в чём их прорыв.
- 25Карта: куда двигаться дальшеИтоговая карта курса по основам ML и маршрут развития: какие инструменты освоить, какие темы изучать и как практиковаться.