Машинное обучение - Видеоуроки, курсы, туториалы
Машинное обучение (ML) - это ключевое направление искусственного интеллекта, которое позволяет компьютерам обучаться на данных и принимать решения без явного программирования. В этой категории вы познакомитесь с основами ML, различными алгоритмами (линейная регрессия, деревья решений, градиентный бустинг), методами обучения (с учителем, без учителя, с подкреплением) и инструментами (Scikit-learn, TensorFlow, PyTorch).
Вы научитесь анализировать данные, строить модели и применять их в реальных задачах - от предсказания трендов до автоматизации процессов.
Популярное в машинное обучение
Python - Полный Курс по Python, Django, Data Science и ML
«Let’s Rust»: от нуля до ML-сервиса
Машинное обучение на практике: Scikit-Learn и PyTorch
Машинное обучение и наука о данных: от нуля к мастерству
Глубокое понимание машинного обучения. Второе издание
Буткемп по машинному обучению с Hugging Face
Создание системы машинного обучения в реальном времени
Хардкорный Machine Learning
Подготовка и очистка данных для машинного обучения
Популярные авторы и школы курсов в категории Машинное обучение
Машинное обучение в разделах
Машинное обучение: Список курсов
Luis G. Serrano 6 янв. 2026 г., 02:56
Глубокое понимание машинного обучения. Второе издание
Grokking Machine Learning, Second Edition
Grokking Machine Learning, Second Edition — это практическое и наглядное введение в машинное обучение для тех, кто хочет действительно понять, как оно работает. Машинное обучение — это широкий класс программных методов, позволяющих находить закономерности в данных и принимать решения без явного программирования под каждую задачу. Именно алгоритмы ML лежат в основе поисковых и рекомендательных систем, бизнес-процессов и систем безопасности, которы
Aurélien Géron 26 дек. 2025 г., 21:10
Машинное обучение на практике: Scikit-Learn и PyTorch
Hands-On Machine Learning with Scikit-Learn and PyTorch
Hands‑On Machine Learning with Scikit‑Learn and PyTorch — это практическое и доступное руководство по современному машинному обучению и глубокому обучению для разработчиков, инженеров и всех, кто хочет понять, как работают интеллектуальные системы и научиться применять их на практике.Автор Aurélien Géron последовательно и наглядно объясняет как базовые, так и продвинутые концепции машинного обучения, опираясь на реальные примеры и актуальный инст
zerotomastery.io 7 нояб. 2025 г., 17:44
Буткемп по машинному обучению с Hugging Face
Machine Learning with Hugging Face Bootcamp: Zero to Mastery
Научитесь применять машинное обучение с использованием экосистемы Hugging Face — с нуля и до уровня профессионала!Этот практико-ориентированный курс проведёт вас через весь путь — от обучения моделей до их развёртывания. Мы начнём с основ, постепенно перейдём к реальным навыкам инженеров машинного обучения и, главное, будем получать удовольствие от процесса!Почему этот курс по Machine Learning с Hugging Face такой классный?Потому что это самый по
Pau Labarta Bajo 29 окт. 2025 г., 15:38
Создание системы машинного обучения в реальном времени
Building a Real-Time ML System. Together
Научитесь проектировать, разрабатывать, развёртывать и масштабировать end-to-end ML-системы реального времени с использованием Python, Rust, LLMs и Kubernetes.
Pau Labarta Bajo 7 окт. 2025 г., 23:44
«Let’s Rust»: от нуля до ML-сервиса
Let’s Rust
Живой, практический курс, где мы вместе (без длинной теории) соберём рабочий ML-продукт на Rust: обучим модель, упакуем её и поднимем REST API для предсказаний, а затем развернём сервис в Kubernetes. Курс честно «лайв»: преподаватель не позиционирует себя как закоренелого Rust-гуру — мы идём шаг за шагом, опираясь на диалог с код-ассистентом и концентрируясь на результате.
Pau Labarta Bajo 10 сент. 2025 г., 22:06
Практическое машинное обучение
The Real-World ML Tutorial
Привет! Я - Pau, инженер по машинному обучению с многолетним опытом разработки реальных ML-продуктов. Хотите спроектировать, разработать и внедрить свой собственный ML-продукт?Этот курс покажет вам, как создавать полнофункциональные ML-решения от идеи до продакшена, помогая стартапам и крупным компаниям решать бизнес-задачи.
zerotomastery.io 3 сент. 2025 г., 01:29
Машинное обучение с использованием Spark ML
Machine Learning with Spark ML
Научитесь использовать Spark ML для создания масштабируемых решений в области машинного обучения. Практика с регрессией, классификацией, инженерией признаков, оценкой моделей, настройкой гиперпараметров и интеграцией глубокого обучения с Apache Spark.Машинное обучение - это не только теория, но и умение работать в реальных, масштабируемых системах. В этом курсе вы освоите, как выводить модели ML на уровень продакшна с помощью библиотеки Spark ML.
Arseny Kravchenko
Valerii Babushkin 5 авг. 2025 г., 19:52
Проектирование систем машинного обучения
Machine Learning System Design
Machine Learning System Design - это практическое руководство по проектированию эффективных и надёжных систем машинного обучения. Книга охватывает весь цикл разработки ML-систем: от сбора данных до релиза и сопровождения, предлагая чёткую пошаговую структуру, которая поможет как новичкам, так и опытным специалистам.
Andreas Kretz 29 мая 2025 г., 21:56
Машинное обучение и контейнеры на AWS
Machine Learning & Containers on AWS
В этом практическом курсе вы научитесь строить полный пайплайн данных на платформе AWS - от получения данных из Twitter API до анализа, хранения и визуализации.Вы создадите собственный алгоритм машинного обучения и развернёте его на AWS с помощью Lambda. Также вы настроите базу данных Postgres с использованием Amazon RDS. Для визуализации результатов вы разработаете интерактивный дашборд на Streamlit и получите опыт его развертывания в контейнера
Andrew Jones 9 мая 2025 г., 01:48
Подготовка и очистка данных для машинного обучения
Data Preparation & Cleaning for ML
Вы когда-нибудь слышали выражение «подготовка и очистка данных»? Это, пожалуй, самая важная часть всего процесса машинного обучения. Данные из реального мира зачастую «грязные» - они могут содержать ошибки, пропуски, дубликаты и выбросы, что приводит к искажениям, проблемам и сбоям в работе моделей. Именно поэтому крайне важно, чтобы данные были очищены и готовы к анализу.