Python для машинного обучения

Ассистенты на основе больших языковых моделей сегодня пишут код для обучения моделей за минуты, но ответственность за результат остаётся на специалисте: выбрать метрику, заметить утечку данных, отличить переобучение от удачной случайности, объяснить заказчику, почему модель ошибается. На табличных данных (скоринг, прогноз спроса, отток клиентов, поиск аномалий) классические алгоритмы и градиентный бустинг по-прежнему часто точнее и дешевле больших нейросетей, поэтому они остаются рабочей основой прикладного машинного обучения и фундаментом для перехода к компьютерному зрению, обработке языка и LLM.

Курс не сводится к сборнику рецептов. Сначала вы разбираете, как устроено обучение изнутри: самостоятельно реализуете персептрон и адаптивный линейный нейрон на NumPy, разбираетесь с градиентным спуском. Затем переходите к библиотеке scikit-learn, к регрессии и кластеризации, к подготовке данных, отбору признаков и надёжной оценке моделей через кросс-валидацию и пайплайны. Завершают программу основы глубокого обучения на Keras и PyTorch и модуль о том, как довести модель до сервиса: сохранить, объяснить, отследить эксперименты и обернуть в API.

Занятия проходят в среде Linux в JupyterLab, для задач, требующих ускорителей, используются облачные GPU российских провайдеров. Отдельно разбираются возможности и ограничения ИИ-ассистентов для разработки и требования 152-ФЗ к данным: персональные данные нельзя отправлять в зарубежные облачные блокноты и сервисы. На выходе вы получаете набор готовых ноутбуков, итоговый мини-проект и уверенную базу для следующих курсов технической линии.