Track

Сертифікат

Основи Машинного Навчання

4.7+

★★★★★

9 відгуки

Intermediate

Цей трек знайомить з фундаментальними концепціями та методами машинного навчання. Охоплюється використання scikit-learn для розробки моделей, лінійна регресія для прогнозного аналізу та методи класифікації для категоризації даних. Показати більше

python

Boost your Tech Skills!

with up to 55% off

What you'll get with our subscription:

Access to 85+ top-rated courses
AI-driven Learning
Workspaces for practicing your skills
Personalized study tracks
Certificates of completion

Training 2 or more people?

Get your team access to Codefinity courses anytime, anywhere.

Try Codefinity Teams

What you will learn

Understand the core principles of supervised learning and apply them using scikit-learn
Develop a strong mathematical foundation for data science, including linear algebra, probability, and optimization
Learn to implement and evaluate linear regression models for predictive analysis
Explore classification techniques and build models to distinguish between different categories of data
Master ensemble learning methods to improve model performance and robustness
Learn the core principles of neural networks, how to build basic deep learning models and evaluate them

171 chapters
23 hours
186 tasks

Trusted by employees of leading companies

Learning track content

Module 1 / Вступ до ML з Scikit-learn

Вивчення концепцій машинного навчання та робочого процесу ML-проєкту.

Попередня обробка є, ймовірно, найважливішим етапом проєкту машинного навчання. У цьому розділі розглядаються кроки попередньої обробки, необхідні для майже будь-якого набору даних.

Конвеєр — це зручний спосіб об'єднати всі етапи попередньої обробки, а також модель. Конвеєри значно спрощують навчання та використання моделі.

Моделювання — це найцікавіший етап проєкту машинного навчання. Дізнаймося, як створювати, налаштовувати та оцінювати модель!

Module 2 / Лінійна Регресія з Python

Почнемо з найпростішої моделі лінійної регресії! Ви дізнаєтеся ідею лінійної регресії та як здійснювати прогнозування в Python.

Більшість задач прогнозування у реальному світі включають більше ніж одну ознаку. Ви дізнаєтеся, як працювати з лінійною регресією з декількома ознаками.

Пряма лінія не завжди добре описує дані. Дізнаймося, як побудувати складнішу модель для прогнозування! Саме для цього підходить поліноміальна регресія.

Тепер, коли ви знаєте, як створювати різні моделі лінійної регресії, необхідно визначити спосіб вибору найкращої з них. Це можливо за допомогою метрик. У цьому розділі пояснюються найпоширеніші метрики та труднощі, з якими ви можете зіткнутися під час їх використання.

Module 3 / Classification with Python

Module 4 / Вступ до навчання з підкріпленням

Дізнайтеся, як навчати агентів приймати оптимальні рішення шляхом спроб і помилок. Ознайомтеся з основами теорії навчання з підкріпленням. Отримайте практичний досвід налаштування та запуску середовища Gymnasium.

Опанування компромісу між дослідженням і використанням через проблему багаторукого бандита. Реалізація оцінки цінності дій, ε-жадібного методу, методу верхньої довірчої межі та градієнтного бандита. Оцінювання ефективності алгоритмів на змодельованих завданнях максимізації винагороди.

Опанування динамічного програмування для модельно-орієнтованого навчання з підкріпленням. Вивчення використання рівнянь Беллмана для оцінки та покращення стратегій. Реалізація алгоритмів ітерації стратегій та ітерації значень. Дослідження узагальненої ітерації стратегій як теоретичної основи для безмодельних методів.

Опанування методів Монте-Карло для безмодельного навчання з підкріпленням. Оцінювання функцій цінності та отримання оптимальних стратегій на основі повних епізодів. Реалізація алгоритмів контролю Монте-Карло на політиці та поза політикою. Вивчення стратегій дослідження для оптимізації безмодельного навчання.

Опанування навчання з часовою різницею для безмодельного RL. Оцінювання функцій цінності за частковими епізодами за допомогою оновлень TD(0). Реалізація алгоритмів SARSA на політиці та Q-Learning поза політикою. Дослідження поєднання методів Монте-Карло та навчання з часовою різницею в n-кроковому TD та TD(λ).

Module 5 / Introduction to Neural Networks

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

Module 6 / Кластерний Аналіз

Занурення в основи кластеризації та виявлення відмінностей від класифікації. Огляд основних алгоритмів, інструментів і бібліотек, що забезпечують роботу цього методу неконтрольованого навчання для виявлення прихованих закономірностей у даних.

Отримання ґрунтовного розуміння ключових методів попередньої обробки, що забезпечують ефективне кластерування. Опанування методів обробки пропущених значень, кодування категоріальних ознак, нормалізації даних, а також вибору відповідних метрик відстані та зв'язків для підвищення точності кластеризації.

Опанування навичок ефективного застосування кластеризації K-Means. Вивчення принципів роботи алгоритму, визначення оптимальної кількості кластерів, набуття практичного досвіду впровадження K-Means на синтетичних і реальних наборах даних.

Ознайомлення з основами ієрархічного кластерування та групування даних у змістовні кластери за допомогою дендрограм. Формування впевненості у визначенні оптимальної кількості кластерів і застосуванні методу до синтетичних і реальних наборів даних.

Дізнайтеся, як DBSCAN ефективно виявляє кластери різної форми та обробляє шум у даних. Ознайомтеся з принципами роботи цього алгоритму на основі щільності, методами призначення точок до кластерів і застосуванням до синтетичних та реальних наборів даних.

Отримайте ґрунтовне розуміння моделей змішування Гауса та того, як вони використовують ймовірність для моделювання складних форм кластерів. Ознайомтеся з принципами гаусового розподілу, дослідіть роботу GMM і закріпіть знання шляхом застосування до штучних і реальних даних.

Requirements

A computer with a browser - all browsers are supported.
Your enthusiasm to enhance your tech skills.
Everything else needed to start learning and practicing is already included in this course.

Over 200,000 5-star ratings and counting

Ruslan Kravchuk

Головне - вчитися і не здаватися

Матеріал хороший, є багато чого вивчити, все для того, щоб стати кращим, і головне - вчитися тому, чого хочете....

Matteo Comune

Завдяки їм я багато чого вчуся…

Завдяки їм я вчуся набагато швидше, тому що вони допомагають зрозуміти все з нуля. Це найкращий сайт, який допомагає людям без досвіду в ІТ...

Yuliana Cadavid

чудовий курс для початківців

чудовий курс для початківців, вони перевіряють ваші знання в кожному уроці...

Elpunzon

Я насолоджуюся своїм досвідом з Codefinity…

Я насолоджуюся своїм досвідом з Codefinity, вивчаючи Python. Самостійний спосіб навчання чудовий, тому що я можу вписати його у свій графік...

Alexandru Alexandru

Приємно вчитися з Codefinity

Приємно вчитися з Codefinity. Це легко і є хороші приклади того, що я тут вивчив...

jacob Templet

Easy to follow along with and provides…

Легко слідувати і надає виклик у моєму повсякденному житті. Виклик змушує мене хотіти вчитися день за днем...

Elan

Codefinity - це всебічне навчання…

Codefinity - це всебічний навчальний інструмент, який допоможе вам розвивати свої навички як інженера-програміста або науковця з даних. Вправи веселі і є хорошим способом відточити свої навички...

Thibault

Вперше вчуся кодувати

Вперше вчуся кодувати і успішно роблю це з Codefinity - дякую...

Adrien Morel

Добре спроектовано для повних початківців

Добре спроектовано для повних початківців, поступовий прогрес і змушує мене почуватися впевнено....

_Gracy

це просто ідеально пояснено

це просто ідеально пояснено! досі я не відчував жодних труднощів, тому що все так добре організовано...

Ruslan Kravchuk

Головне - вчитися і не здаватися

Matteo Comune

Завдяки їм я багато чого вчуся…

Yuliana Cadavid

чудовий курс для початківців

чудовий курс для початківців, вони перевіряють ваші знання в кожному уроці...

Elpunzon

Я насолоджуюся своїм досвідом з Codefinity…

Alexandru Alexandru

Приємно вчитися з Codefinity

Приємно вчитися з Codefinity. Це легко і є хороші приклади того, що я тут вивчив...

jacob Templet

Easy to follow along with and provides…

Легко слідувати і надає виклик у моєму повсякденному житті. Виклик змушує мене хотіти вчитися день за днем...

Elan

Codefinity - це всебічне навчання…

Thibault

Вперше вчуся кодувати

Вперше вчуся кодувати і успішно роблю це з Codefinity - дякую...

Adrien Morel

Добре спроектовано для повних початківців

Добре спроектовано для повних початківців, поступовий прогрес і змушує мене почуватися впевнено....

_Gracy

це просто ідеально пояснено

це просто ідеально пояснено! досі я не відчував жодних труднощів, тому що все так добре організовано...

Data Engineer

Сертифікат про завершення

Покажіть свої нові навички. Ви це заслужили

Discover more
Learning tracks

	ProBest intro offer	UltimateA complete experience to kickstart your career
85+ Top-Rated courses
Completion certificates
AI-Assistant in all courses
20+ hands-on Real-world projects
Personalized study tracks
Unlimited workspaces

Основи Машинного Навчання

TEST TRACK 12

Full Stack Веб Розробка

Станьте React Розробником

Аналіз та Візуалізація Даних на Python

SQL з Нуля до Героя

С++ для Початківців

Python з Нуля до Героя

Python Понад Середній Рівень

Основи Java

Розробка Ігор з Unity

Become a Django Developer

Flask for Dummies

Основи Frontend Розробки

Web Developer from Zero to Hero

Preparation for Data Science

Одіссея глибинного навчання

Веб-Розробка з C#

TEST E2E TRACK BEGINNER

Test Track

Skilled Python BackEnd Developer

Test Recalculate

Основи Excel

Full-Stack .NET Developer Journey

Full-Stack .NET Developer Journey

Test track with rating

TEST TEST TRACK

Основи Аналітика Даних

C++ Mastery

Java Web

Стати Інженером QA

Video Production With Adobe

Інструменти Дизайну UI/UX

Test image upload track

Essential Office Skills

GitHub from Zero to Hero

Розробка Вебсайтів Без Коду

C Programming & Low-Level Development

testes

Test translation track

Тестовий трек CMS

Python for Data Analysis

Digital Marketing Essentials

Complete Social Media Management

Business AI Toolkit

Ready to get started?