Этот материал находится в платной подписке. Оформи премиум подписку и смотри или слушай Machine Learning для начинающих, а также все другие курсы, прямо сейчас!
Премиум
  • Урок 1. 01:04:10
    4 Вводный вебинар
  • Урок 2. 00:13:09
    0.1 Python в машинном обучении
  • Урок 3. 00:10:47
    0.2 Пример- Python для анализа изображений
  • Урок 4. 00:15:19
    1.1 Переменные
  • Урок 5. 00:43:07
    1.2 Типы данных_2
  • Урок 6. 00:13:55
    1.3 Циклы
  • Урок 7. 00:13:55
    1.3 Циклы_2
  • Урок 8. 00:17:45
    1.4 Условный оператор If_2
  • Урок 9. 00:13:15
    2.1 Функции в python
  • Урок 10. 00:13:17
    2.2 Аргументы функции_2
  • Урок 11. 00:21:40
    2.3 Call stack и ошибки в python_2
  • Урок 12. 00:06:25
    2.4 Ссылочная модель данных
  • Урок 13. 00:08:23
    2.5 Модель памяти в python
  • Урок 14. 00:06:53
    2.6 Изменяемые и неизменяемые типы данных
  • Урок 15. 00:20:14
    2.7 Срезы. Продвинутая работа со строкам2.7 Срезы. Продвинутая работа со строкам
  • Урок 16. 00:02:14
    3.0 Интро
  • Урок 17. 00:22:33
    3.1 Библиотеки
  • Урок 18. 00:07:26
    3.2 Windows 10 Установка Anaconda
  • Урок 19. 00:06:47
    3.3 Linux Установка Anaconda
  • Урок 20. 00:02:47
    3.4 MacOS Установка Anaconda
  • Урок 21. 00:23:46
    3.5 Установка сторонних пакетов_2
  • Урок 22. 00:21:55
    3.6 Виртуальное окружение_2
  • Урок 23. 00:01:58
    3.7 Итоги
  • Урок 24. 00:02:55
    4.1 Введение
  • Урок 25. 00:05:05
    4.2 Знакомство с Jupyter. Ячейки
  • Урок 26. 00:13:22
    4.3 Знакомство с Jupyter. Горячие клавиши
  • Урок 27. 00:20:41
    4.4 Знакомство с Jupyter. Магические команды
  • Урок 28. 00:08:22
    4.5 Знакомство с Jupyter. Kernel
  • Урок 29. 00:06:47
    4.6 Numpy
  • Урок 30. 00:15:11
    4.7 Pandas
  • Урок 31. 00:14:03
    4.8 Matplotlib
  • Урок 32. 00:01:15
    4.9 Заключение
  • Урок 33. 00:21:58
    5.1 Чтение файлов и обзор данных
  • Урок 34. 00:16:44
    5.2 Фильтрация данных, логические операторы
  • Урок 35. 00:12:02
    5.3 Функции фильтры
  • Урок 36. 00:22:41
    5.4 Series и Index
  • Урок 37. 00:14:16
    5.5 Группировка данных
  • Урок 38. 00:15:04
    5.6 Работа с датами и временем
  • Урок 39. 00:09:50
    5.7 Визуализация
  • Урок 40. 00:07:22
    5.8 Сохранение данных
  • Урок 41. 00:04:51
    6.1 Базы данных и СУБД
  • Урок 42. 00:23:57
    6.2 Основные SQL запросы Получение, аггрегация и сортировка данных
  • Урок 43. 00:32:04
    6.3 Объединение таблиц JOIN_2
  • Урок 44. 00:22:46
    6.4 SQL в Python_2
  • Урок 45. 00:22:11
    7.1 Классы, объекты и методы_2
  • Урок 46. 00:21:29
    7.2 Принципы ООП Часть 1
  • Урок 47. 00:21:56
    7.3 Принципы ООП. Часть 2
  • Урок 48. 00:25:48
    8.1 Введение в git_2
  • Урок 49. 00:18:54
    8.2 Ветки и теги_2
  • Урок 50. 00:19:32
    8.3 Возможности git diff Ветвление. Использование тэгов
  • Урок 51. 00:14:53
    8.4 Слияние веток
  • Урок 52. 00:16:19
    8.5 Конфликт слияния веток
  • Урок 53. 00:25:57
    8.6 Стратегии ветвления при разработке. Работа с удаленными провайдерами
  • Урок 54. 00:18:14
    8.7 Взаимоотношение между remotes. Загрузка репозитория на удаленный сервер
  • Урок 55. 00:23:23
    9.1 Запрос на сервер
  • Урок 56. 00:15:43
    9.2 Ответ сервера API
  • Урок 57. 00:22:05
    9.3 Практика написания запросов. Метод get
  • Урок 58. 00:24:39
    9.4 Практика написания запросов. Метод post. Подключение к базе данных. Валидация
  • Урок 59. 00:09:37
    9.5 Подводные камни валидации. Валидация в FastAPI
  • Урок 60. 00:14:36
    9.6 Статус коды
  • Урок 61. 00:33:56
    10.1. FastAPI и SQLAlchemy
  • Урок 62. 00:42:24
    10.2 ORM, SQLAlchemy_2
  • Урок 63. 00:05:56
    11.1 Введение_2
  • Урок 64. 00:30:22
    11.2 Устройство Аirflow
  • Урок 65. 00:17:42
    11.3 Запуск и веб интерфейс
  • Урок 66. 00:25:14
    11.4 Python operator
  • Урок 67. 00:10:23
    11.5 Передача информации
  • Урок 68. 00:06:18
    11.6 Connections
  • Урок 69. 00:09:09
    11.7 Лучшие практики
  • Урок 70. 00:13:02
    12.1 Шаблон приложения
  • Урок 71. 00:16:09
    12.2 Переменные окружения
  • Урок 72. 00:08:27
    12.3 Проблема SQL инъекций
  • Урок 73. 00:08:34
    12.4 Вынесение настроек в конфиг
  • Урок 74. 00:18:27
    12.5 Разделение кода на модули
  • Урок 75. 00:08:31
    12.6 Идемпотентность
  • Урок 76. 00:15:57
    1.1 Задачи машинного обучения
  • Урок 77. 00:12:08
    1.2 Основные виды машинного обучения
  • Урок 78. 00:16:41
    1.3 Компоненты классической ML-задачи
  • Урок 79. 00:52:17
    1.4 Практика
  • Урок 80. 00:05:22
    2.1 Оценка качества модели
  • Урок 81. 00:07:47
    2.2 Понятие функции и функциональной зависимости
  • Урок 82. 00:05:11
    2.3 Функция потерь Loss function
  • Урок 83. 00:06:37
    2.4 Функционал качества и метрика
  • Урок 84. 00:07:32
    2.5 Король и королева регрессии MSE и MAE
  • Урок 85. 00:08:50
    2.6 Практика
  • Урок 86. 00:21:08
    3.1 Линейные модели в МО
  • Урок 87. 00:26:57
    3.2 Экстремумы и производная функции
  • Урок 88. 00:07:48
    3.3 Линейная регрессия OLS
  • Урок 89. 00:09:14
    3.4 Ликбез №3 Матрицы
  • Урок 90. 00:08:20
    3.5 Работа с массивами в Numpy
  • Урок 91. 00:09:00
    3.6 Линейная регрессия OLS Матричная форма
  • Урок 92. 00:12:18
    3.7 Линейная регрессия в Python. Практика
  • Урок 93. 00:33:28
    4.0 Разбор ДЗ 4 урока
  • Урок 94. 00:20:39
    4.1 Введение в градиентный спуск Минимизация функции с одной переменной
  • Урок 95. 00:19:44
    4.2 Минимизация функции с несколькими переменными
  • Урок 96. 00:23:12
    4.3 Линейная регрессия Подбор параметров η и ξ
  • Урок 97. 00:17:13
    4.4 Настройка параметров графика в matplotlib
  • Урок 98. 00:17:51
    4.5 Изображение градиентного спуска в matplotlib
  • Урок 99. 00:22:38
    5.1 Обобщающая способность, метод отложенной выборки и кросс валидация
  • Урок 100. 00:27:35
    5.2 Практика Переобучение и недообучение
  • Урок 101. 00:23:23
    5.3 Кросс валидация, реальный практический пример
  • Урок 102. 00:23:55
    6.1 Проблема переобучения в МО
  • Урок 103. 00:22:11
    6.2 Регуляризация и масштабирование признаков
  • Урок 104. 00:11:03
    6.3 Ликбез №1 Условный экстремум и регуляризация
  • Урок 105. 00:11:30
    6.4 Практика №1. Регуляризация
  • Урок 106. 00:10:51
    6.5 Мультиколлинеарность
  • Урок 107. 00:10:12
    6.6 Практика №2. Мультиколлинеарность
  • Урок 108. 00:31:59
    7.1 EDA
  • Урок 109. 00:06:59
    7.2 Встроенные методы
  • Урок 110. 00:16:56
    7.3 Метод обёртки
  • Урок 111. 00:24:59
    7.4 Метод фильтрации
  • Урок 112. 00:17:29
    8.1 Работа с пропущенными значениями
  • Урок 113. 00:27:12
    8.2 Работа с выбросами Advanced счетчики
  • Урок 114. 00:18:03
    8.3 Выделение признаков из текста. Подход TF IDF
  • Урок 115. 00:11:19
    8.4 Лемматизация и стемминг
  • Урок 116. 00:17:23
    9.1 Обработка вещественных признаков
  • Урок 117. 00:11:38
    9.2 Обработка категориальных признаков
  • Урок 118. 00:29:11
    9.3 Построение модели
  • Урок 119. 00:02:48
    9.4 Анализ выбросов
  • Урок 120. 00:12:21
    9.5 Сегментация данных
  • Урок 121. 00:25:00
    10.1 Бинарная классификация, разделяющая гиперплоскость
  • Урок 122. 00:13:23
    10.2 Как строить разделяющую гиперплоскость
  • Урок 123. 00:24:13
    10.3 Ликбез 1. Метод верхней оценки
  • Урок 124. 00:37:43
    10.4 Практика. Линейная бинарная классификация в python
  • Урок 125. 00:29:14
    11.1 Метрики бинарной классификации. Теория
  • Урок 126. 00:12:08
    11.2 Метрики бинарной классификации. Практика
  • Урок 127. 00:16:35
    12.1 ROC кривая AUC ROC
  • Урок 128. 00:09:53
    12.2 PR кривая AUC PR. Практика построения ROC кривых и PR кривых
  • Урок 129. 00:14:27
    12.3 Калибровочная кривая модели
  • Урок 130. 00:26:50
    13.1 Метод опорных векторов SVM_2
  • Урок 131. 00:14:37
    13.2 Линейная неразделимость - регуляризация в бинарной классификации
  • Урок 132. 00:13:25
    13.3 Практика
  • Урок 133. 00:21:55
    14.1 Методы one vs all и one vs one
  • Урок 134. 00:07:56
    14.2.1 Метрики качества
  • Урок 135. 00:07:56
    14.2.2 Метрики качества
  • Урок 136. 00:51:51
    14.3 Практика. Задача сегментации клиентов
  • Урок 137. 00:15:49
    15.1 Понижение размерности. Постановка задачи
  • Урок 138. 00:16:26
    15.2 Метод главных компонент
  • Урок 139. 00:20:06
    15.3 T-SNE
  • Урок 140. 00:21:45
    15.4 Практика
  • Урок 141. 00:13:07
    16.1 Метод K ближайших соседей
  • Урок 142. 00:14:48
    16.2 Практика. Сравнение линейной регрессии и метода KNN
  • Урок 143. 00:16:27
    16.3 Гиперпараметры p и h. Перевзвешивание соседей
  • Урок 144. 00:13:08
    16.4 Практика. Гауссовское ядро
  • Урок 145. 00:24:16
    17.1 Введение в решающие деревья
  • Урок 146. 00:18:41
    17.2 Критерии качества и информативности
  • Урок 147. 00:08:13
    17.3 Критерии останова и жадный алгоритм
  • Урок 148. 00:29:09
    17.4 Практика
  • Урок 149. 00:20:57
    18.1 Решающие деревья и проблема переобучения
  • Урок 150. 00:29:30
    18.2 Практика. Предобработка и трансформация данных
  • Урок 151. 00:11:31
    18.3 Практика. Обучение модели Decision tree
  • Урок 152. 00:16:24
    19.1 Композиции алгоритмов, бэггинг
  • Урок 153. 00:08:20
    19.2 Random forest
  • Урок 154. 00:11:00
    19.3 Стекинг
  • Урок 155. 00:54:03
    19.4 Практика
  • Урок 156. 00:11:46
    20.1 Бустинг
  • Урок 157. 00:34:09
    20.2 Градиентный бустинг
  • Урок 158. 00:19:12
    20.3 Bias-variance tradeoff
  • Урок 159. 00:25:06
    20.4 Практика
  • Урок 160. 00:09:59
    21.1 Введение
  • Урок 161. 00:07:41
    21.2 K-means
  • Урок 162. 00:18:29
    21.3 DBSCAN
  • Урок 163. 00:17:35
    21.4 Практика
  • Урок 164. 00:15:28
    22.1 Контентная рекомендация
  • Урок 165. 00:26:16
    22.2 Коллаборативная фильтрация
  • Урок 166. 00:08:35
    22.3 Оценка качества и валидация рекомендательных систем
  • Урок 167. 00:22:04
    22.4 Практика построение модели рекомендательной системы
  • Урок 168. 00:42:21
    23.1 Общие вопросы
  • Урок 169. 00:20:51
    23.2 Вопросы о линейных моделях
  • Урок 170. 00:46:22
    24 Машинное обучение классические задачи и алгоритмы II
  • Урок 171. 00:16:44
    28 Разбор ДЗ 4 урока
  • Урок 172. 00:08:51
    0 Kaggle- инструкция
  • Урок 173. 00:30:15
    1. Введение. Полносвязные слои. Функции активации
  • Урок 174. 01:06:43
    1. Семинар
  • Урок 175. 00:09:42
    2.1 Градиентный спуск и методы оптимизации. Лекция
  • Урок 176. 00:13:07
    2.2 Обучение нейронных сетей. Лекция
  • Урок 177. 00:31:41
    2.3 Высокоуровневое API для обучения нейросети. Семинар
  • Урок 178. 00:08:51
    2.4 Обучение первой нейросети в PyTorch. Семинар
  • Урок 179. 00:27:11
    3.1 Сверточные нейронные сети. Лекция
  • Урок 180. 00:24:27
    3.2 Сверточные нейронные сети. Семинар
  • Урок 181. 00:20:19
    4.1 Регуляризация и нормализация нейронных сетей. Batch нормализация
  • Урок 182. 00:13:44
    4.2 Нормализация входных данных. Инициализация параметров. Аугментация данных
  • Урок 183. 00:19:26
    4.3 Практика
  • Урок 184. 00:41:36
    5.1 Популярные архитектуры сверточных нейронных сетей. Перенос знаний
  • Урок 185. 00:13:35
    6.1 Сегментация объектов
  • Урок 186. 00:12:23
    6.2 Практика по сегментации
  • Урок 187. 00:23:08
    6.3 Детекция объектов
  • Урок 188. 00:16:17
    6.4 Практика по детекции
  • Урок 189. 00:15:55
    7.1 Автоэнкодеры
  • Урок 190. 00:12:58
    7.2 Идентификация лиц
  • Урок 191. 00:25:39
    7.3 Автоэнкодеры на практике
  • Урок 192. 00:17:37
    7.4 Распознавание лиц на практике
  • Урок 193. 00:35:03
    8.1 Векторные представления текстов. Лекция
  • Урок 194. 00:23:36
    8.2 Векторные представления текстов. Семинар
  • Урок 195. 00:24:40
    9.1 Реккурентные нейронные сети (RNN) и их модификации
  • Урок 196. 00:22:53
    9.3 Трансформер
  • Урок 197. 00:31:14
    9.4 Практика
  • Урок 198. 00:23:15
    10.1 Трансформер своими руками
  • Урок 199. 00:23:29
    10.2 Bert
  • Урок 200. 00:15:31
    10.3 GPT
  • Урок 201. 00:10:09
    1.1 Статистика в ML
  • Урок 202. 00:24:04
    1.2 Введение в теорию вероятностей
  • Урок 203. 00:15:48
    1.3 Условная вероятность Формула Байеса
  • Урок 204. 00:30:05
    1.4 Введение в статистику
  • Урок 205. 00:09:06
    1.5 Дискретные распределения
  • Урок 206. 00:17:53
    2.1 Для чего нужны доверительные интервалы
  • Урок 207. 00:28:24
    2.2 Построение доверительных интервалов
  • Урок 208. 00:17:03
    2.3 Виды распределений случайных величин
  • Урок 209. 00:20:01
    2.4 Центральная предельная теорема ЦПТ
  • Урок 210. 00:36:44
    2.5 Применение ЦПТ
  • Урок 211. 00:11:03
    2.6 Доверительный интервал для доли
  • Урок 212. 00:13:27
    3. Статистики распределений, взаимосвязь случайных величин
  • Урок 213. 00:31:27
    4. Проверка гипотез, параметрические статистические критерии
  • Урок 214. 00:19:21
    5. Непараметрические статистические критерии
  • Урок 215. 00:25:40
    6. Метод максимума правдоподобия и ядерная оценка плотности
  • Урок 216. 00:17:42
    7. Дизайн AB эксперимента
  • Урок 217. 00:35:00
    8. АA эксперименты и валидация методики экспериментирования
  • Урок 218. 00:26:59
    9. Ошибки при проведении AB тестов
  • Урок 219. 00:14:44
    10.1 Уменьшение дисперсии. Поправка Cuped
  • Урок 220. 00:12:19
    10.2 Сравнение изменений числа кликов и CTR
  • Урок 221. 00:27:35
    11. Невозможность проведения АВ тестов
  • Урок 222. 00:57:20
    1. Что обычно спрашивают на собеседованиях
  • Урок 223. 00:27:13
    2.1 Сложность алгоритмов и “O” нотация
  • Урок 224. 00:15:00
    2.2 Примеры оценки сложности алгоритмов
  • Урок 225. 00:13:07
    2.3 Правила 1 2
  • Урок 226. 00:12:59
    2.4 Амортизированная сложность
  • Урок 227. 00:24:10
    2.5 Правила 2 2
  • Урок 228. 00:10:40
    2.6 Нетривиальные задачи. Примеры
  • Урок 229. 00:11:17
    3.1 Массивы и указатели
  • Урок 230. 00:48:22
    3.2 Задача контейнер с водой
  • Урок 231. 00:33:23
    3.3 Односвязный и двусвязный список, задача на разворот односвязного списка
  • Урок 232. 00:37:58
    3.4 Граничные условия, задача на подсвет букв подряд
  • Урок 233. 00:16:32
    4.1 Основные определения графов
  • Урок 234. 00:35:24
    4.2 Обход в ширину и глубину
  • Урок 235. 00:29:29
    4.3 Компонента связности
  • Урок 236. 00:19:15
    4.4 Деревья основные определения
  • Урок 237. 00:29:30
    4.5 Кучи и сортировка кучей
  • Урок 238. 00:24:01
    5.1 Общий подход к рекурсии
  • Урок 239. 00:39:38
    5.2 Динамическое программирование
  • Урок 240. 00:49:19
    5.3 Разделяй и властвуй
  • Урок 241. 01:01:05
    6. Машинное обучение ещё раз повторяем, что может встретиться на собеседовании
  • Урок 242. 00:33:32
    7. Собеседования по теории вероятностей и статистике
  • Урок 243. 00:22:56
    8. Собеседования по АВ тестированию
  • Урок 244. 01:11:34
    9. Трудоустройство- первые шаги