Skip to content

Машинное обучение для анализа данных

Модуль 0. Разминка: Python и pandas для ML (необязательный) Бесплатно

0.1 Python за один урок: Colab, переменные, списки, словари, функции

0.2 pandas: загрузка, фильтрация, merge, groupby и даты

0.3 NumPy и графики: от таблицы к X и y

0.4 Практическое задание модуля 0

Входной тест: нужен ли вам Модуль 0?

Модуль 1. Первая модель: от данных к прогнозу Бесплатно

1.1 Что такое ML: задачи, типы обучения, жизненный цикл модели

1.2 EDA и подготовка данных: пропуски, выбросы, кодирование, масштабирование

1.3 Первая модель и train/test split; утечка данных и переобучение

1.4 Практическое задание модуля 1

Квиз. Модуль 1: Первая модель

Модуль 2. Регрессия: прогнозируем числа

2.1 Линейная регрессия изнутри: МНК, множественная регрессия, коэффициенты

2.2 Метрики и регуляризация: MAE, RMSE, R², Ridge и Lasso

2.3 Feature engineering: пороговые признаки и взаимодействия

2.4 Практическое задание модуля 2

Квиз. Модуль 2: Регрессия

Модуль 3. Классификация: да или нет?

3.1 Логистическая регрессия и kNN: вероятности и отношения шансов

3.2 Метрики классификации: матрица ошибок, precision, recall, ROC-AUC

3.3 Дисбаланс классов и выбор порога: стоимость ошибок и кривая прибыли

3.4 Практическое задание модуля 3

Квиз. Модуль 3: Классификация

Модуль 4. Деревья, ансамбли и настройка моделей

4.1 Деревья решений и Random Forest: правила, переобучение, важность признаков

4.2 Градиентный бустинг: LightGBM, кривая обучения и ранняя остановка

4.3 Кросс-валидация и подбор гиперпараметров: RandomizedSearchCV, lift и прибыль

4.4 Практическое задание модуля 4

Квиз. Модуль 4: Деревья, ансамбли и настройка моделей

Модуль 5. Обучение без учителя: сегментация покупателей

5.1 K-means и выбор числа кластеров: RFM, метод локтя и силуэт

5.2 Иерархическая кластеризация и PCA: дендрограмма, ARI, главные компоненты

5.3 Превращаем сегменты в решения: профили, имена, правила и план действий

5.4 Практическое задание модуля 5

Квиз. Модуль 5: Обучение без учителя

Модуль 6. Финальный проект: от модели к бизнесу

6.1 Интерпретация моделей: SHAP

6.2 Ответственный ML: защищённые признаки, прокси и справедливость

6.3 Проект под ключ: тариф по риску, меморандум и Streamlit

6.4 Финальный проект курса

Финальный экзамен. Машинное обучение для анализа данных

Предыдущая тема

Следующий урок

Входной тест: нужен ли вам Модуль 0?

Машинное обучение для анализа данных
Модуль 0. Разминка: Python и pandas для ML (необязательный)
Входной тест: нужен ли вам Модуль 0?

Ограничение по времени: 0

Тест Summary

0 of 10 Вопросы completed

Вопросы:

Информация

You have already completed the тест before. Hence you can not start it again.

Тест is loading…

You must sign in or sign up to start the тест.

Сначала вы должны завершить следующее:

Результаты

Тест complete. Results are being recorded.

Результаты

0 of 10 Вопросы answered correctly

Your time:

Время истекло

You have reached 0 of 0 point(s), (0)

Earned Point(s): 0 of 0, (0)
0 Essay(s) Pending (Possible Point(s): 0)

Рубрики

Без рубрики 0%

Обзор
Отвечено
Верно
Неверно

Вопрос 1 of 10

1. Вопрос

Что вернёт выражение prices[-1], если prices = [120, 150, 190]?

120
Верно Неверно Correct answer

190
Верно Неверно Correct answer

Ошибку
Верно Неверно Correct answer

[120, 150]
Верно Неверно Correct answer

Верно

Неверно
Вопрос 2 of 10

2. Вопрос

Что вернёт menu[‘Латте’], если menu = {‘Капучино’: 190, ‘Латте’: 210}?

190
Верно Неверно Correct answer

‘Латте’
Верно Неверно Correct answer

210
Верно Неверно Correct answer

Ошибку
Верно Неверно Correct answer

Верно

Неверно
Вопрос 3 of 10

3. Вопрос

Что выведет код: [p * 2 for p in [1, 2, 3] if p > 1]?

[2, 4, 6]
Верно Неверно Correct answer

[4, 6]
Верно Неверно Correct answer

[2, 3]
Верно Неверно Correct answer

[1, 2, 3]
Верно Неверно Correct answer

Верно

Неверно
Вопрос 4 of 10

4. Вопрос

Какая команда pandas показывает типы столбцов и число непустых значений?

df.head()
Верно Неверно Correct answer

df.describe()
Верно Неверно Correct answer

df.info()
Верно Неверно Correct answer

df.shape
Верно Неверно Correct answer

Верно

Неверно
Вопрос 5 of 10

5. Вопрос

Как правильно отфильтровать заказы из Оша с количеством от 3?

df[df[‘branch’] == ‘Ош’ and df[‘quantity’] >= 3]
Верно Неверно Correct answer

df[(df[‘branch’] == ‘Ош’) & (df[‘quantity’] >= 3)]
Верно Неверно Correct answer

df.filter(‘Ош’, 3)
Верно Неверно Correct answer

df[df[‘branch’] = ‘Ош’]
Верно Неверно Correct answer

Верно

Неверно
Вопрос 6 of 10

6. Вопрос

Как посчитать число пропусков в каждом столбце?

df.isna().sum()
Верно Неверно Correct answer

df.count()
Верно Неверно Correct answer

df.dropna()
Верно Неверно Correct answer

df.fillna(0)
Верно Неверно Correct answer

Верно

Неверно
Вопрос 7 of 10

7. Вопрос

Какой аналог SQL JOIN в pandas?

groupby
Верно Неверно Correct answer

merge
Верно Неверно Correct answer

concat
Верно Неверно Correct answer

pivot
Верно Неверно Correct answer

Верно

Неверно
Вопрос 8 of 10

8. Вопрос

Что делает df.groupby(‘branch’)[‘revenue’].sum()?

Сортирует по точкам
Верно Неверно Correct answer

Считает суммарную выручку для каждой точки
Верно Неверно Correct answer

Удаляет дубликаты
Верно Неверно Correct answer

Считает число точек
Верно Неверно Correct answer

Верно

Неверно
Вопрос 9 of 10

9. Вопрос

Как извлечь час из столбца с датой и временем order_datetime?

df[‘order_datetime’].hour
Верно Неверно Correct answer

df[‘order_datetime’].dt.hour
Верно Неверно Correct answer

df.hour(‘order_datetime’)
Верно Неверно Correct answer

hour(df[‘order_datetime’])
Верно Неверно Correct answer

Верно

Неверно
Вопрос 10 of 10

10. Вопрос

Какой график лучше всего показывает, как выручка менялась по дням?

Гистограмма
Верно Неверно Correct answer

Круговая диаграмма
Верно Неверно Correct answer

Линейный график
Верно Неверно Correct answer

Точечный график
Верно Неверно Correct answer

Верно

Неверно

Войти

Для доступа к материалам войдите в аккаунт.

Имя пользователя или email

Пароль

Запомнить меня

Забыли пароль?

Регистрация

У вас нет аккаунта? Зарегистрируйтесь!

Зарегистрировать аккаунт