Тема 1. Введение в науку о данных

✓ Что такое Data Science?
✓ Место машинного обучения и нейронных сетей в науке о данных.
✓ Ключевые роли в Data Science.
✓ Жизненный цикл проекта DS.
✓ Роль языка программирования Python в машинном обучении.
✓ Установка и настройка необходимого ПО для начала работы (интерпретатор, библиотеки, среды разработки).
✓ Основы Python.

Тема 2. Программирование на языке Python

✓ Переменные, понятие о типах данных языка.
✓ Структурирование кода, импорт модулей.
✓ Операторы ветвления и цикла.
✓ Функции.
✓ Основы ООП (определение и использование классов, встроенные методы).
✓ Организация совместной работы над исходным кодом, основы Git (создание репозитория, оформление коммитов и пул-реквестов, основные команды).

Тема 3. Основы машинного обучения

✓ Базовые понятия.
✓ Типы машинного обучения.
✓ Контролируемое обучение (Supervised Learning).
✓ Неконтролируемое обучение (Unsupervised Learning).
✓ Обучение с подкреплением (Reinforcement Learning).
✓ Задачи машинного обучения (регрессия, классификация, кластеризация, понижение размерности). Основные проблемы (переобучение, недообучение).

Тема 4. Теоретические основы машинного обучения

✓ Понятие объекта в Python. Объекты как экземпляры классов
✓ Атрибуты и методы объектов.
✓ Встроенные методы объектов.
✓ Создание классов в Python
✓ Определение класса и его структура.
✓ Создание методов класса.
✓ Практическая часть.
✓ Расширенное использование классов.
✓ Модули в Python.
✓ Разработка простого модуля.

Тема 5. Данные и их визуализация

✓ Важность предобработки данных в машинном обучении.
✓ Типы ошибок в данных.
✓ Работа с пропущенными значениями.
✓ Методы импутации.
✓ Обработка дубликатов.
✓ Преобразование типов данных.
✓ Основы Pandas.
✓ Двумерная табличная структура данных DataFrame.
✓ Загрузка данных.
✓ Визуализация данных.
✓ Matplotlib.
✓ Выбор правильного типа графика.
✓ Основные типы (гистограмма, диаграмма рассеяния, линейный график, столбчатая диаграмма, диаграмма размаха).
✓ Seaborn.

Тема 6. Основы машинного обучения. Регрессия

✓ Задача регрессии.
✓ Линейная и полиномиальная регрессии.
✓ Множественная линейная регрессия.
✓ Сплайновая регрессия.
✓ Оценка качества решения регрессионной задачи.
✓ Основные метрики качества.

Тема 7. Основы машинного обучения. Классификация

✓ Задача классификации.
✓ Наивный Байес.
✓ Логистическая регрессия.
✓ Машины опорных векторов (SupportVector Machines).
✓ Метод k-ближайших соседей (k-NN).
✓ Оценка качества решения классификационной задачи.
✓ Матрица ошибок.
✓ Основные метрики качества.
✓ ROC-анализ.
✓ Проблема несбалансированных классов и ее решение.

Тема 8. Основы машинного обучения. Кластеризация и понижение размерности

✓ Задача кластеризации.
✓ Алгоритм K-Means (K-Средних).
✓ Иерархическая кластеризация.
✓ Проклятие размерности (Curse of Dimensionality).
✓ Задача понижения размерности данных.
✓ Метод главных компонент (PCA – Principal Component Analysis). 

Тема 9. Деревья решений и случайный лес

✓ Принципы построения дерева.
✓ Критерии разделения на поддеревья.
✓ Ансамблевые методы.
✓ Бэггинг.
✓ Случайный лес (Random Forest).
✓ Бустинг (AdaBoost, градиентный бустинг, стохастический градиентный бустинг).

Тема 10. Оценка и валидация моделей машинного обучения

✓ Проблема переобучения (Overfitting).
✓ Проблема недообучения (Underfitting).
✓ Регуляризация.
✓ Разделение на обучающую и тестовую выборки (train/test split).
✓ Кросс-валидация (cross-validation).

Тема 11. Введение в нейронные сети

✓ Что такое ИНС?
✓ Классификация.
✓ Структура искусственного нейрона.
✓ Правило обучения Хебба.
✓ Персептрон Розенблатта.
✓ Линейный нейрон.
✓ Многослойные нейронные сети.
✓ Решение модельных задач с использованием нейросетевых моделей.
✓ Метод обратного распространения ошибки.
✓ Глубокие нейронные сети – предпосылки возникновения и решаемые задачи. 

Тема 12. Решение задач машинного обучения с использованием нейронных сетей

✓ НС, применяемые для решения основных задач машинного обучения.
✓ Автоэнкодерные архитектуры НС.
✓ Самоорганизующиеся карты Кохонена.
✓ Рекуррентные нейронные сети (классические модели, LSTM, GRU).

Тема 13. Сверточные нейронные сети

✓ Структура СНС, основные типы слоев.
✓ Решаемые задачи в области компьютерного зрения.
✓ Классификация и детекция объектов на изображениях и видео, сегментация изображений.
✓ Практики решения задач.

Тема 14. Дальнейшие шаги

✓ Обзор пройденного материала.
✓ Обсуждение и демонстрация проектов.
✓ Куда двигаться дальше?
✓ Трансферное обучение.
✓ Обработка естественного языка (NLP).
✓ Генеративные модели.
✓ Трансформеры.