НовыйПуть
Машинное обучение на Python для начинающих
Бесплатный практический курс машинного обучения. Пишите настоящий код на scikit-learn, обучайте модели на реальных данных и смотрите, как графики появляются на вкладке «Графики».
1,000+ codders записались
233 уроков231 задачи965 вопросов квиза
- Для начинающих
Помощь ИИ при написании кода
Практические интерактивные уроки
Аудио-озвучка к каждому уроку
Тесты для проверки знаний
Бесплатный сертификат о прохождении
Обучи модель прямо в браузере
Настоящий код scikit-learn и его настоящий результат. Двигай ползунок, чтобы изменить одну строку, и смотри, чему учится модель.
При малом k модель запоминает каждую обучающую точку и рисует рваную границу. При большем k граница сглаживается.
main.py
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Загружаем графики
Вывод
Программа
Раздел 1
Данные и графикиСвоя страница
Начать разделНачатьРазвернутьСвернутьИнструментарий, с которого начинается каждый проект машинного обучения: массивы NumPy, графики matplotlib и таблицы pandas. Загружайте реальные наборы данных, обобщайте их и визуализируйте результаты.Введение
4 уроков320Массивы NumPy
5 уроков520Математика массивов
6 уроков625Преобразование данных
4 уроков415Линейные графики и диаграммы рассеяния
6 уроков625Графики для данных
5 уроков520DataFrame в pandas
6 уроков625Фильтрация и сортировка
5 уроков520Группировка и очистка данных
5 уроков520Построение графиков по DataFrame
5 уроков520Наборы данных для ML
5 уроков520Заключительные задания
4 уроков420Раздел 2
Статистика для машинного обученияСвоя страница
Начать разделНачатьРазвернутьСвернутьСтатистика, лежащая в основе каждой модели: центральные тенденции и разброс, распределения, вероятность с помощью симуляций, выборки, выбросы, корреляция, линии тренда и тесты для сравнения групп, а затем масштабирование и кодирование признаков. Каждую идею вы проверите на реальных данных и визуализируете.Центр и разброс
6 уроков625Распределения
6 уроков625Вероятность с помощью моделирования
6 уроков625Выборки и генеральные совокупности
5 уроков520Выбросы
5 уроков520Взаимосвязи
6 уроков525Линии тренда
6 уроков625Сравнение групп
6 уроков625Масштабирование признаков
5 уроков520Кодирование категорий
4 уроков415Изучаем набор данных
5 уроков520Итоговые задания
4 уроков420Раздел 3
Обучение с учителемСвоя страница
Начать разделНачатьРазвернутьСвернутьОбучайте реальные модели с помощью scikit-learn: разделяйте данные, обучайте модели, делайте предсказания и оценивайте результаты. k-NN, линейная и логистическая регрессия, деревья, леса и бустинг, объективная оценка с помощью кросс-валидации и конвейеры — и в завершение сквозной проект с данными о пингвинах.Ваша первая модель
5 уроков520Метод ближайших соседей
5 уроков520Линейная регрессия
5 уроков520Логистическая регрессия
5 уроков520Оценка классификаторов
6 уроков625Деревья решений
5 уроков520Переобучение
5 уроков520Кросс-валидация
4 уроков415Ансамбли
4 уроков415Конвейеры
5 уроков520Проект: виды пингвинов
5 уроков525Итоговые задания
4 уроков420Раздел 4
Обучение без учителяСвоя страница
Начать разделНачатьРазвернутьСвернутьНаходите структуру в данных без меток: k-means, иерархическая кластеризация и кластеризация по плотности, PCA для визуализации и сжатия множества признаков, а также обнаружение аномалий. В завершение — проект по исследованию набора данных с изображениями цифр.Поиск групп
5 уроков520Выбор k
5 уроков520Анализ кластеров
5 уроков520Иерархическая кластеризация
4 уроков415Кластеризация по плотности
4 уроков415Меньше измерений
5 уроков520PCA на практике
5 уроков520Обнаружение аномалий
5 уроков520Кластеры в работе
4 уроков415Проект: исследуем цифры
5 уроков525Итоговые задания
4 уроков420
Что вы получаете
Всё, что вам нужно, чтобы научиться программировать
Учитесь на практике
Пишите реальный код, работайте с базами данных, создавайте сайты и осваивайте ИИ-промпты. Наши интерактивные уроки охватывают все навыки, необходимые современным разработчикам.
playground.js
Редактор кода
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Тест №1
Тест №2
Тест №3
Ввод
"Alex"
Вывод
"Hello, Coddy! Alex"
Создайте свою серию
Будьте последовательны и наблюдайте за своим прогрессом! Отслеживайте ежедневную привычку программирования, защищайте свою серию с помощью дней заморозки и получайте награды за каждый день.
12 дней подряд
Возвращайтесь завтра, чтобы сохранить серию!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Всё или ничего
День 5 из 7
Заморозка серии
2 left
Вы не одиноки
Соревнуйтесь в глобальных рейтингах, приглашайте друзей, чтобы получать награды, и празднуйте успехи друг друга. Программировать веселее с друзьями!
Лига ПретендентовТоп 7 продвигаются
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Зона продвиженияУчитесь как угодно
Читайте, слушайте, проверяйте себя, спрашивайте у ИИ или ищите то, что уже изучили. Каждый урок подстраивается под вас.
Введение в переменные
Аудио
Переменная - это именованный контейнер, который хранит значение для последующего использования.
В Python вы создаёте её, написав имя, знак равенства и значение, которое нужно сохранить.
Значение может меняться - переприсваивание просто направляет имя на новое значение.
1xSarah
Ваш сертификат
Получайте сертификаты за каждый завершенный курс. Добавьте их в свой профиль LinkedIn и резюме, чтобы продемонстрировать работодателям свои навыки программирования.
Сертификат о прохожденииНастоящим подтверждается, чтоИван Ивановуспешно завершил(а)
Основы Python
Основы Python
Датаянв. 2026
Добавить в LinkedInПочему стоит изучать машинное обучение с Coddy
- Сначала видите, потом читаете. Каждый урок начинается с графика или схемы: точки цветков ириса, граница решений, дендрограмма. Затем вы пишете код, и рядом на вкладке «Графики» появляется ваш собственный график.
- Настоящий Python, настоящие библиотеки.
numpy,pandas,matplotlib,scipyиscikit-learnработают на Coddy в тех же версиях, что у дата-сайентистов, поэтомуmodel.fit(X_train, y_train)здесь это тот жеmodel.fit(X_train, y_train), что и на работе. Ничего не нужно устанавливать, никаких блокнотов настраивать не надо. - Четыре раздела в том порядке, в каком идёт работа: данные и графики, статистика для ML, обучение с учителем, затем обучение без учителя. 233 коротких урока, в каждом одна новая идея и задача, где она нужна.
- Реальные датасеты с историей: цветки ириса, химический состав вин, рукописные цифры, пингвины Palmer. Вы завершите два проекта, классификатор видов пингвинов и исследователь цифр, и у каждого графика будут заголовок и подписи, как для отчёта.
Частые вопросы о машинном обучении
Что такое машинное обучение?
Машинное обучение учит компьютер на примерах, а не по правилам. Вы показываете модели много строк данных, например цветки с размерами лепестков и названием вида, и она находит закономерность, которую может применить к строкам, которых никогда не видела. Если у строк есть ответы, это обучение с учителем; если ответов нет и модель сама находит группы, это обучение без учителя. Курс учит обоим.
Нужно ли хорошо знать математику, чтобы изучать машинное обучение?
Нет. Достаточно школьной арифметики и терпения, чтобы читать график. Курс объясняет статистику, на которую опирается машинное обучение (средние, разброс, распределения, корреляцию, p-значения), через симуляции и картинки, а тяжёлую математику за вас делает scikit-learn. Матанализ и линейная алгебра пригодятся, если позже захотите создавать новые алгоритмы, но чтобы обучать, проверять и понимать модели, они не нужны.
Нужно ли знать Python, чтобы изучать машинное обучение с нуля?
Основы, да: переменные,
if, циклы, функции и списки. Это раздел «Основы» курса Python, несколько недель по часу в день. Всё остальное, import, NumPy, pandas, matplotlib и scikit-learn, объясняется здесь с первой строки.Какие библиотеки Python вы изучите?
Стандартный стек машинного обучения: NumPy для массивов, pandas для таблиц, matplotlib для графиков, SciPy для статистики и scikit-learn для моделей (k ближайших соседей, линейная и логистическая регрессия, деревья решений, случайный лес, градиентный бустинг, k-means, DBSCAN, PCA и другие). Они работают на Coddy в актуальных версиях, так что ваш код точно так же запустится на вашем компьютере.
Нужна ли видеокарта или мощный компьютер?
Нет. Ваш код выполняется на серверах Coddy, а графики возвращаются в браузер, так что хватит ноутбука, Chromebook или планшета. Классическое машинное обучение на scikit-learn и так хорошо работает на обычном процессоре; GPU важен для обучения больших нейросетей, а их этот курс не охватывает.
Что можно создать после этого курса?
Модели, которые отвечают на реальные вопросы по таблице: спам ли это письмо, какие клиенты, скорее всего, уйдут, к какому виду относится этот пингвин, сколько велосипедов возьмут в прокат завтра, какие группы покупателей существуют, какие показания сервера выглядят подозрительно. Вы также научитесь честно их оценивать с помощью тестовых выборок, кросс-валидации, матриц ошибок и ROC-кривых: именно это делает модель достойной доверия.
Сколько времени нужно, чтобы изучить машинное обучение?
Курс состоит из 233 уроков в 4 разделах: это около 40 часов в своём темпе, или два-три месяца по полчаса в день. Путь Data Science ставит его в нужное место после Python и SQL. После курса быстрее всего вы вырастете, если возьмёте открытый датасет, который вам интересен, и повторите на нём рабочий процесс из проекта курса.
Этот курс машинного обучения бесплатный?
Да. Уроки, графики, подсказки ИИ и сертификаты бесплатны. С бесплатным аккаунтом можно проходить несколько уроков в день, а Pro снимает дневной лимит.
