RU
#

Play Video

#

Курсы

Курс Machine Learning

Изучайте машинное обучение и создавайте модели на Python

17.12.2026 15:00 Online Ожидается набор
$350

О курсе

Освойте основы машинного обучения — от подготовки данных и выбора алгоритма до обучения, оценки и применения модели. На курсе вы разберётесь, как компьютерная программа находит закономерности в данных, строит прогнозы и помогает решать практические задачи: классифицировать объекты, оценивать вероятности, группировать похожие записи и анализировать изображения или текст.

Теория будет связана с практикой на Python. Вы научитесь собирать и исследовать данные, находить пропуски и ошибки, подготавливать признаки, делить выборку на обучающую и проверочную, выбирать метрики и сравнивать результаты моделей. Такой рабочий процесс помогает понять, почему модель ошибается и какие изменения действительно улучшают её качество.

Постепенно вы перейдёте от классических алгоритмов к нейронным сетям. Изучите обучение с учителем и без учителя, познакомитесь с обучением с подкреплением и переносом обучения, а также рассмотрите архитектуры для работы с таблицами, изображениями, последовательностями и текстом. Отдельное внимание уделяется тому, как применять готовые модели и адаптировать их под конкретную задачу.

Программа знакомит с инструментами, которые используются в современном ML-процессе: от библиотек анализа данных и фреймворков для обучения до средств запуска и интеграции моделей. Вы научитесь выбирать подходящий инструмент, проводить эксперименты и оформлять результат в виде проекта, который можно развивать дальше.

Курс подойдёт тем, кто хочет получить фундаментальные знания и практический старт в направлении Machine Learning Engineer. Вы освоите базовые этапы работы с ML-моделями и создадите собственные учебные проекты. Глубина отдельных тем и набор применяемых технологий будут зависеть от уровня группы, задач и доступных вычислительных ресурсов.

Для кого предназначен курс

Начинающим в сфере искусственного интеллекта

Получите системное введение в машинное обучение: от данных и базовых алгоритмов до нейросетей и оценки результатов.

Python-разработчикам

Расширите навыки разработки и научитесь включать обработку данных, обучение моделей и прогнозирование в программные проекты.

Аналитикам и специалистам по данным

Разберёте рабочий процесс построения моделей и сможете увереннее проверять гипотезы на данных.

Предпринимателям и специалистам бизнеса

Поймёте, как ML применяется для прогнозирования, классификации, поиска закономерностей и оптимизации процессов.

Студентам технических направлений

Закрепите теоретические знания практикой с Python и библиотеками машинного обучения.

Тем, кто планирует развиваться как ML Engineer

Сформируете фундамент для дальнейшего изучения нейронных сетей, моделей машинного обучения и их применения в продуктах.

Как проходит обучение

Обучение проходит онлайн и сочетает объяснение ключевых концепций с практической работой в Python. Вы будете разбирать примеры, запускать алгоритмы на данных, сравнивать прогнозы и оформлять выводы. По мере продвижения курса задания будут становиться сложнее: от анализа готового набора данных до самостоятельной сборки и проверки модели.

Практика строится вокруг полного ML-цикла: сформулировать задачу, подготовить данные, выбрать подход, обучить модель, оценить качество и объяснить результат. В итоговом проекте вы примените несколько изученных этапов к одной задаче и представите, как полученная модель может использоваться дальше.

Технологии и инструменты курса

Основой практики станет Python. Для работы с данными и вычислениями будут рассматриваться NumPy, Pandas и SciPy, а для визуального анализа — Matplotlib и Seaborn. Вы будете использовать Jupyter Notebook или аналогичную среду, чтобы исследовать наборы данных, выполнять эксперименты и фиксировать результаты.

  • Классическое машинное обучение
    Scikit-learn поможет изучать базовые алгоритмы, подготовку данных, построение конвейеров и оценку качества. Для градиентного бустинга на табличных данных будут рассмотрены XGBoost, LightGBM и CatBoost. Вы разберётесь, как сравнивать алгоритмы и подбирать решение под тип данных и метрику задачи.

  • Глубокое обучение
    Для создания и обучения нейронных сетей в программе предусмотрены PyTorch и TensorFlow с Keras 3. PyTorch Lightning может использоваться как дополнительный инструмент для организации тренировочного кода и экспериментов. MLX будет представлен как специализированный вариант для экспериментов на компьютерах Apple Silicon; его применение зависит от оборудования участников.

  • Модели для текста и готовые веса
    Hugging Face Transformers позволит познакомиться с предварительно обученными моделями, задачами обработки текста и адаптацией готовых моделей. Будут рассмотрены принципы transfer learning и fine-tuning: когда разумно использовать уже обученную модель и как подготовить её к новой задаче.

  • Интеграции и развёртывание
    ONNX Runtime будет рассмотрен как один из вариантов запуска уже обученных моделей в приложениях и на разных вычислительных платформах. vLLM может использоваться для знакомства с обслуживанием и запуском больших языковых моделей. LangChain и LlamaIndex будут показаны в контексте построения приложений вокруг моделей, работы с данными и RAG; они дополняют ML-инструментарий и не заменяют фреймворки обучения моделей.

Помимо библиотек вы познакомитесь с основами работы с GPU и облачными вычислениями там, где этого потребует задача. Важно понимать назначение каждой группы инструментов: одни помогают анализировать данные, другие обучают модели, третьи ускоряют или упрощают их запуск. Не все перечисленные технологии используются в каждом проекте — стек подбирается под учебную задачу и доступное оборудование.

Какие типы нейронных сетей вы изучите

  1. Полносвязные сети (MLP)

    Начнёте с базовых нейронных сетей и разберёте слои, функции активации, функцию потерь, градиентный спуск и основные этапы обучения.

  2. Сверточные нейросети (CNN)

    Изучите, как свёрточные слои извлекают признаки из изображений и других пространственных данных. Рассмотрите задачи классификации изображений и типичный процесс подготовки таких данных.

  3. Рекуррентные сети (RNN, LSTM, GRU)

    Познакомитесь с моделями для последовательных данных и временных рядов. Разберёте, как LSTM и GRU помогают учитывать контекст на последовательных шагах, и сравните их с современными подходами.

  4. Трансформеры (Transformers)

    Изучите базовую идею механизма внимания и применение трансформеров для текста и других последовательностей. На практике познакомитесь с использованием предварительно обученных моделей и их адаптацией под задачу.

  5. Генеративно-состязательные сети (GAN)

    Рассмотрите принцип работы генератора и дискриминатора, которые обучаются в состязательном процессе, и познакомитесь с учебными задачами генерации данных.

Виды обучения моделей

  • Обучение с учителем (Supervised Learning)
    Модель обучается на примерах, где известен правильный ответ. Вы познакомитесь с задачами регрессии и классификации, разделением данных и выбором метрик для проверки прогноза.

  • Обучение без учителя (Unsupervised Learning)
    Алгоритм ищет структуру в данных без заранее заданных ответов. Разберёте кластеризацию, снижение размерности и способы исследовать группы и закономерности.

  • Обучение с подкреплением (Reinforcement Learning)
    Изучите базовую постановку задачи, где агент взаимодействует со средой и получает вознаграждение за действия. Также отдельно обсудите RLHF — подходы к настройке генеративных моделей с учётом человеческих предпочтений; это не то же самое, что классическое обучение с подкреплением, и тема рассматривается на вводном уровне.

  • Трансферное обучение (Transfer Learning)
    Научитесь понимать, когда можно использовать знания предварительно обученной модели, адаптировать её под новую задачу и сравнивать такой подход с обучением модели с нуля.

Программа курса

Программа последовательно знакомит с основами машинного обучения, анализом данных, классическими алгоритмами и нейронными сетями. Практические задания помогут пройти ключевые этапы построения модели и собрать итоговый проект.

  1. Разберётесь, какие задачи решает машинное обучение, как данные превращаются в прогноз и из каких этапов состоит ML-проект. Научитесь формулировать задачу и выбирать измеримый результат.

  2. Освоите рабочую среду Jupyter и познакомитесь с Python-инструментами для вычислений и обработки данных. Потренируетесь загружать наборы данных и выполнять первичный анализ.

  3. Научитесь проверять качество данных, работать с пропусками, выбросами и категориальными признаками. Разберёте разделение выборок, нормализацию и риск утечки данных между обучением и проверкой.

  4. Изучите базовые модели регрессии и классификации, научитесь собирать простой ML-конвейер, обучать алгоритм и получать прогнозы на новых примерах.

  5. Познакомитесь с метриками, валидацией, переобучением и подбором параметров. Научитесь сравнивать модели и объяснять, какое решение лучше подходит для поставленной задачи.

  6. Рассмотрите кластеризацию, снижение размерности и поиск структуры в данных без готовых ответов. Попробуете интерпретировать полученные группы и ограничения таких методов.

  7. Познакомитесь с XGBoost, LightGBM и CatBoost на учебных примерах. Сравните результаты бустинга с другими алгоритмами и разберёте особенности работы с табличными данными.

  8. Разберёте основные компоненты нейронной сети, цикл обучения и работу с PyTorch и TensorFlow / Keras 3. Создадите базовую модель и проследите, как меняется её качество при настройке обучения.

  9. Познакомитесь с ключевыми архитектурами для изображений, последовательностей и текста, а также с генеративно-состязательным подходом. Сравните их области применения и потренируетесь использовать готовые модели там, где это уместно.

  10. Адаптируете предварительно обученную модель или доработаете выбранный алгоритм. Подготовите итоговый проект, оцените его результат и рассмотрите варианты интеграции или запуска модели с помощью ONNX Runtime, vLLM либо другого подходящего инструмента.

Что вы получите после обучения

Вы получите целостное представление о работе над ML-задачей: от анализа исходных данных до выбора модели, проверки её качества и представления результата.

Работа с данными

Сможете подготавливать и исследовать данные, выделять признаки и замечать проблемы, которые влияют на обучение.

Построение моделей

Научитесь обучать базовые модели классификации и регрессии, сравнивать варианты и выбирать метрики.

Понимание нейросетей

Получите фундаментальное представление о CNN, RNN, LSTM, GRU, Transformers и GAN.

Практика на Python

Познакомитесь с экосистемой библиотек для анализа данных, классического ML и глубокого обучения.

Освоите Python-инструменты для анализа и машинного обучения, а также получите практический опыт работы с классическими алгоритмами и нейронными сетями.

Адаптация готовых моделей

Разберётесь в transfer learning и познакомитесь с предварительно обученными моделями из экосистемы Hugging Face.

Итоговый учебный проект

Пройдёте ключевые этапы ML-процесса и подготовите модель для демонстрации или дальнейшей доработки.

Стоимость участия

$350 / месяц

Формат оплаты — ежемесячная подписка. Стоимость включает два занятия в неделю, практические задания и работу над собственными проектами в рамках программы курса.

FAQ

#
Регистрация на тренинг
  • Автоматизация работы с клиентами, заявками и продажами на примере CRM-системы AVADA CRM 23 ноября 2026, 14:00 UTC+2
  • Автоматизация подбора персонала и организации работы HR-отдела на примере AVADA HRM 30 ноября 2026, 11:00 UTC+2
  • Курс JavaScript Frontend / Full Stack и Vibe Coding 9 декабря 2026, 12:00 UTC+2
  • Курс Machine Learning 17 декабря 2026, 15:00 UTC+2
  • Курс по созданию AI-агентов и автоматизации бизнеса с помощью Vibe Coding 22 декабря 2026, 12:00 UTC+2
Привет!👋 Свяжитесь с нами 😀