Бесплатно
Классический Data Science
Полный classic DS на сквозном кейсе: Pandas, визуализация, статистика и A/B, линейные модели, деревья, ансамбли и бустинги, кластеризация, AutoML, валидация и деплой /predict на FastAPI — без deep learning.
Полный classic DS на сквозном кейсе: Pandas, визуализация, статистика и A/B, линейные модели, деревья, ансамбли и бустинги, кластеризация, AutoML, валидация и деплой /predict на FastAPI — без deep learning.
Роли, этика данных, границы курсов Braiora и кейс Braiora Shop.
Типы, списки, словари, срезы и массивы NumPy ровно для Pandas/ML.
Ноутбуки, воспроизводимость, папки data/notebooks/src и привычки команды.
Чтение таблиц, dtypes, кодировки и первый взгляд на Braiora Shop.
Выбор строк и столбцов без утечек логики и копий-сюрпризов.
Агрегации, соединения таблиц заказов и клиентов; когда звать sql-basics.
Парсинг времени, category dtype, битые CSV и чеклист приёмки выгрузки.
Описательные срезы Braiora Shop до модели: формы, корреляции, сегменты.
Правила чистки табличного кейса без уничтожения сигнала.
Утечки целевой переменной, time-aware split и протокол до ML.
Цель визуализации: ответить на вопрос, а не украсить отчёт.
Figure/axes, слои графика, seaborn для табличных срезов.
Bar/box/violin/hist: когда что читать и как не обмануть глаз.
Scatter, heatmap корреляций, facet: увидеть взаимодействие признаков.
Интерактивный слой, история для стейкхолдера и запрещённые приёмы.
Почему «среднее выше» ещё не эффект; bias выборки и описания.
Выборочная неопределённость, доверительные интервалы и размер выборки.
H0/H1, ошибки I/II рода, power и связь с размером эффекта.
Планирование эксперимента до запуска: эффект, выборка, проверки здоровья.
Peeking, множественные проверки, CUPED lite и граница «хватит эксперимента».
Sklearn API, два таргета Braiora Shop, Dummy-baseline и честный hold-out.
Препроцессинг только на train, единый объект под fit/predict и будущий /predict.
Регуляризация, интерпретируемые коэффициенты; k-NN и NB как быстрые ориентиры, не основной трек.
Accuracy vs PR/ROC, MAE/RMSE/MAPE intuition; порог и стоимость FP/FN на оттоке Braiora Shop.
Признаки до деревьев; PCA как сжатие/визуализация; class_weight и resampling intuition.
Как дерево режет признаковое пространство; max_depth, min_samples_leaf, train vs val gap.
Читаемые правила, feature_importances_ как ориентир, когда дерево объяснимо для бизнеса.
Когда линейная модель достаточна, когда дерево ловит взаимодействия; честное сравнение на кейсе.
Откуда ошибка ансамбля; VotingClassifier/Regressor как простой ансамбль разных моделей.
Bagging деревьев, max_features, oob_score intuition; RF как сильный sklearn-default на tabular.
Последовательное исправление ошибок; learning rate и n_estimators; отличие от bagging.
Практический lab на sklearn HGB; XGBoost/LightGBM/CatBoost — сравнение в таблице, не три отдельных lab.
Простой stacking; permutation importance; SHAP как объяснение предсказаний без DL-мистики.
Зачем сегменты Braiora Shop; обзор семейств кластеризации — deep-lab только у ключевых методов.
Выбор k, inertia/elbow, silhouette; интерпретация центроидов сегментов.
Дендрограмма и слияние; плотность, eps/min_samples, класс шума −1.
Мягкие кластеры GMM; аномалии IsolationForest; silhouette/CHI/DBI + внешняя проверка смыслом.
Автопоиск моделей ускоряет baseline, но не снимает ответственность за leakage, метрики и интерпретацию.
Сравнить AutoML и ручные ансамбли по качеству, времени и интерпретируемости на кейсе Braiora Shop.
Кросс-валидация, калибровка вероятностей и выбор порога — часть одного воспроизводимого протокола.
Офлайн-выбор модели, онлайн-проверка, error analysis и повторная охота на leakage.
Артефакт модели, контракт признаков и версионирование — фундамент /predict.
Минимальный сервис инференса с проверкой входа и проверкой живости.
Укрепление сервиса, one-pager Docker и лёгкий мониторинг дрейфа; граница с vibe-coding.
Собрать обучение с учителем и сегментацию на сквозном кейсе оттока/покупок.
Провести выбранную модель от joblib до рабочего контракта /health и /predict.
Собрать сдачу: ноутбук, /predict notes, портфолио-чеклист и маршруты следующих курсов.
Войдите и запишитесь, чтобы открывать уроки и сохранять прогресс.
Запишитесь на созвон с ментором: разбор кода, проекта, карьерного плана или практики с материалами платформы. Это часть консультационной услуги, не массовый онлайн-курс.
