Введение в машинное обучение (Python, scikit-learn)

О чем этот курс

Этот курс — мягкое и практичное погружение в машинное обучение на Python. Мы сознательно упрощаем математику и делаем акцент на интуицию, примеры и живые эксперименты в Jupyter Notebook. Вы разберётесь, что такое признаки и целевая переменная, чем отличаются задачи регрессии, классификации и кластеризации, как делить данные на обучение и тест и как не попасть в ловушку переобучения.

Мы будем использовать популярные инструменты: pandas и NumPy для работы с данными, scikit-learn для моделей и пайплайнов, а также Matplotlib/Seaborn для визуализации. Шаг за шагом вы соберёте базовый ML‑конвейер: от загрузки данных и первичного анализа до обучения, подбора гиперпараметров и оценки качества.

В конце курса вы реализуете мини‑проект: выберете учебный датасет, проведёте разведочный анализ, подготовите признаки, обучите несколько моделей (например, логистическую регрессию и случайный лес), сравните метрики и оформите итог с понятными графиками и выводами.

flowchart TD
    A["Данные"]
    B["Очистка/EDA"]
    C["Разделение
(Train/Test)"]
    D["Пайплайн признаков"]
    E["Выбор модели"]
    J["Кросс-валидация
(k-fold)"]
    H["Подбор
гиперпараметров"]
    F["Обучение"]
    G["Оценка
(метрики)"]
    I{"Итерация
нужна?"}
    K["Деплой (опционально)"]

    A --> B --> C --> D --> E --> H --> F --> G --> I
    D --> J
    E --> J
    J --> H
    I --|Да|--> H
    I --|Нет|--> K

Ниже — пример короткого рабочего фрагмента кода на scikit‑learn, который показывает базовый цикл: загрузка данных, разбиение на train/test, обучение модели и оценка качества.

# Базовый пример классификации на Iris с логистической регрессией
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score

# 1) Данные
X, y = load_iris(return_X_y=True)

# 2) Разделение на обучение/тест
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

# 3) Пайплайн: масштабирование + модель
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, n_jobs=None))
])

# 4) Обучение и оценка
pipe.fit(X_train, y_train)
y_pred = pipe.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))

Контакты

О чем этот курс

Оглавление

Курс содержит:

Похожие курсы

Нейросети для работы: с нуля до уверенного использования

ChatGPT, Claude и YandexGPT для повседневных задач

Промпт-инжиниринг для начинающих

AI для предпринимателя: как экономить время и деньги

Курсы

AIntellecto

Связаться с нами

Контакты