Машинное обучение с нуля на Python: первая модель

Возьмите таблицу с данными и попробуйте предсказать значение, которого в ней ещё нет. На курсе вы пройдёте этот путь руками: выделите признаки и целевую переменную, обучите модель в scikit-learn и получите первое предсказание уже в начале обучения.

Затем разберётесь, когда предсказанию можно доверять. Разделите данные на обучающую и проверочную части, сравните модель с простым baseline, научитесь замечать утечку данных и выбирать метрики под задачу. Для числового прогноза используете линейную регрессию, для ответа «да или нет» — логистическую; поработаете и с метками, и с вероятностями.

В двух небольших проектах вы спрогнозируете срок доставки и оцените риск задержки: от исходной таблицы до проверки качества и вывода по результатам. В конце сохраните обученную модель.

Это бесплатный практический курс машинного обучения на Python: 25 уроков и 106 заданий с проверкой в браузере. Для старта достаточно базового Python и знакомства с таблицами. Если нужно освежить NumPy и pandas, начните с практического тренажёра NumPy и pandas. Наборы данных для проектов входят в курс.

Попробуйте формат

Начните с обучения первой модели. Уже пробовали fit и predict? Проверьте, как вы разделяете данные на train и test и выбираете метрики классификации.

После первой модели

Если хотите двигаться дальше в ML, следующий шаг — научиться сравнивать алгоритмы и выбирать модель под данные. Этому посвящён платный курс «Классическое машинное обучение: алгоритмы и практика на Python»: деревья, ансамбли, подбор параметров и проверка качества. Посмотрите программу и открытые уроки, когда закончите свои первые проекты.