[Неделя 1]
1. Векторы и матрицы, операции с ними
Теория:

• Разберём, что такое векторы и матрицы, их базовые свойства.
• Поймём, что такое определитель, ранг и обратимость
• Разберем правила умножения и транспонирования

Практика:

• В NumPy создадим массивы
• Освоим различные операции над одномерными и двумерными массивами.

Результат: Уверенно оперируете матрицами и векторами и понимаете, как эти знания применяются
🛠 Сможете решать задачи:

• Реализовывать базовые матричные операции
• Находить обратные матрицы/ранги матриц
• Осуществлять линейные преобразования и решать СЛАУ.

2. Линейная регрессия и МНК
Теория:

• Познакомимся с концепцией линейной зависимости
• Построим модель линейной регрессии, разберём метод наименьших квадратов для поиска весов
• Обсудим допущения и интерпретацию коэффициентов

Практика:

• Реализуем МНК в NumPy и сравним со scikit-learn.
• Научимся базовой подготовке данных и валидации моделей.

Результат: Умеете обучать, интерпретировать и оценивать линейную модель.
🛠 Сможете решать задачи: Строить простые прогностические модели, оценивать их качество.

[Неделя 2]
3. Матричные разложения
Теория:

• Познакомимся с собственными значениями/векторами и их смыслом.
• Изучим SVD: разложение, применение к снижению размерности и построению рекомендательных систем.

Практика:

• Реализуем SVD в NumPy
• Снизим размерность данных
• Построим рекомендательную систему

Результат: Понимаете, когда и как применять матричные разложения.
🛠 Сможете решать задачи:

• Снижать размерность данных
• Фильтровать шум
• Реализовывать рекомендательные системы

4. Функция одной переменной, пределы
Теория:

• Вспомним определения функции, области определения, множества значений.
• Научимся вычислять пределы и узнаем их основных свойства.
• Обсудим непрерывность и типы разрывов.

Практика:

• Вычислим типовые пределы (алгебраические приёмы, эквивалентности)
• Изучим поведение функции около точки.

Результат: Умеете находить пределы и распознавать непрерывность.
🛠 Сможете решать задачи: Задачи на пределы и реализацию классификации разрывов.

[Неделя 3]
5. Экстремумы и ФНП (функции нескольких переменных)
Теория:

• Производная и критические точки, критерии минимума/максимума.
• Функции нескольких переменных, частные производные, градиент.

Практика:

• Научимся искать экстремумы, вычислять производные для функций нескольких переменных.

Результат: Понимаете, как устроены локальные экстремумы в одномерном и многомерном случае.
🛠 Сможете решать задачи: Оптимизировать простые функции

6. Оптимизация и интегрирование
Теория:

• Разберём идею градиентного спуска: поговорим про шаг, сходимость и критерии остановки.
• Освежим знания про интегралы и методы интегрирования.

Практика:

• Реализуем градиентный спуск.
• Посчитаем простые интегралы.

Результат: Умеете реализовывать простые оптимизационные алгоритмы и считать интегралы.
🛠 Сможете решать задачи: Прикладные задачи оптимизации в ML и оценивать площади/средние величины по кривым.

[Неделя 4]
7. Математический анализ: практика
Теория:

• Свяжем производную функции потерь и направление наискорейшего убывания
• Рассмотрим MSE и его градиент.

Практика: С нуля построим линейную регрессию с помощью градиентного спуска.
Результат: Получите рабочий пайплайн с чистым, воспроизводимым кодом.
🛠 Сможете решать задачи: Обучать модели на своих данных, диагностировать и улучшать качество.

8. Введение в теорию вероятностей
Теория:

• События, аксиомы вероятности, условная вероятность и формула полной вероятности.
• Формула Байеса и интуиция Наивного Байесовского Классификатора.

Практика: Смоделируем вероятностные эксперименты, оценим частоты, реализуем наивный Байес (NumPy) и сравним с sklearn.
Результат: Уверенно оперируете вероятностями и Байесовским выводом на простых задачах.
🛠 Сможете решать задачи: Классификацию на NB, задачи на условные/полные вероятности.

[Неделя 5]
9. Случайные величины
Теория:

• Дискретные и непрерывные СВ,математическое ожидание, дисперсия, ковариация.
• Базовые распределения: Бернулли, Биномиальное, Пуассон; Равномерное, Нормальное, Экспоненциальное.

Практика: Генерируем выборки в NumPy/SciPy, строим гистограммы/плотности, сравниваем теоретические и выборочные моменты.
Результат: Понимаете выбор распределения под задачу и умеете оценивать его параметры.
🛠 Сможете решать задачи: Моделирование, оценка рисков/вероятностей, расчёт ожиданий и вариативности на данных.

10. Основы статистики и проверки гипотез
Теория:

• Нулевая/альтернативная гипотезы, ошибки I/II рода, p-value и доверительные интервалы.
• t-тесты для одной и двух выборок и их предпосылки.

Практика:

• Считаем доверительные интервалы, проводим t-тесты, интерпретируем результат и силу эффекта
• Смотрим влияние размера выборки.

Результат: Грамотно формулируете и проверяете гипотезы, делаете статистически корректные выводы.
🛠 Сможете решать задачи: A/B-тесты, сравнение средних/пропорций и принятие решений на основе данных.

[Неделя 1]
Введение в машинное обучение
Теория:

• Познакомимся с базовыми понятиями и терминологией ML
• Изучим основные типы задач
• Разберём различия между обучением с учителем, без учителя и обучением с подкреплением

Практика:

• Научимся отличать типы задач друг от друга и формулировать бизнес-задачи под ML
• Проанализируем примеры датасетов и определим подходящие типы алгоритмов
• Изучим базовые метрики для оценки качества различных типов задач

Результат: Понимать фундаментальные концепции машинного обучения, уметь классифицировать задачи по типам.
🛠 Сможете решать задачи: определение типа ML-задачи для бизнес-кейсов, выбор подходящих алгоритмов для различных предметных областей, формулировка технического задания для ML-проектов.

Линейные модели: регрессия
Теория:

• Изучим линейную регрессию как основу предсказательного моделирования и её математическую формулировку
• Разберём функции потерь и метрики качества регрессии: MSE, MAE, R², RMSE
• Рассмотрим основы градиентного спуска как метода оптимизации и концепцию переобучения

Практика:

• Реализуем линейную регрессию 
• Научимся интерпретировать коэффициенты модели 

Результат: Понимать принципы работы линейной регрессии, уметь применять градиентный спуск для оптимизации. 
🛠 Сможете решать задачи: предсказание цен на недвижимость, прогнозирование продаж, оценка стоимости автомобилей, анализ зависимости зарплаты от опыта работы.

[Неделя 2]
Градиентный спуск и его модификации
Теория:

• Изучим различные варианты градиентного спуска
• Познакомимся с методами регуляризации L1 и L2 для предотвращения переобучения
• Разберём продвинутые оптимизаторы: Adam, RMSprop и стратегии настройки гиперпараметров

Практика:

• Сравним производительность различных вариантов градиентного спуска на практических задачах
• Реализуем регуляризацию L1 и L2, изучим их влияние на отбор признаков
• Поэкспериментируем с различными значениями гиперпараметров

Результат: Понимать различия между методами оптимизации, уметь выбирать подходящие гиперпараметры.
🛠 Сможете решать задачи: отбор важных признаков в высокоразмерных данных, ускорение сходимости алгоритмов машинного обучения.

Линейные методы классификации
Теория:

• Изучим логистическую регрессию и сигмоидную функцию активации
• Разберём метрики качества классификации: accuracy, precision, recall, F1-score, ROC-AUC
• Рассмотрим проблему несбалансированных классов и основы многоклассовой классификации

Практика:

• Реализуем логистическую регрессию и интерпретируем её вероятностные предсказания
• Построим и проанализируем матрицу ошибок, научимся выбирать оптимальный порог классификации
• Поработаем с несбалансированными данными: техники семплирования, взвешивание классов

Результат: Понимать принципы классификации, уметь оценивать качество моделей
🛠 Сможете решать задачи: детекция спама в электронной почте, медицинская диагностика по симптомам, определение кредитоспособности клиентов

[Неделя 3]
Методы опорных векторов (SVM)
Теория:

• Изучим концепцию максимизации отступа и роль опорных векторов в построении модели
• Познакомимся с особенностями решения нелинейно разделимых задач
• Разберём различные типы ядер и параметр регуляризации

Практика:

• Реализуем линейный SVM 
• Поэкспериментируем с различными ядрами для решения нелинейных задач
• Настроим гиперпараметры SVM с использованием кросс-валидации

Результат: Понимать геометрическую интерпретацию SVM, уметь применять различные ядра для нелинейных задач. 
🛠 Сможете решать задачи: классификация текстов и документов, распознавание рукописных символов, задачи биоинформатики

Нелинейные методы классификации
Теория:

• Изучим общие подходы к построению нелинейных разделяющих поверхностей
• Разберём полиномиальные признаки и различные способы создания нелинейности
• Рассмотрим проблему размерности и методы регуляризации в нелинейных методах

Практика:

• Создадим полиномиальные признаки для линейных алгоритмов
• Сравним производительность линейных и нелинейных подходов на синтетических данных
• Применим различные методы регуляризации для контроля сложности нелинейных моделей

Результат: Понимать принципы создания нелинейных моделей, уметь контролировать сложность модели.
🛠 Сможете решать задачи: классификация сложных паттернов в данных, анализ нелинейных зависимостей в финансовых временных рядах

[Неделя 4]
Решающие деревья
Теория:

• Изучим принципы построения решающих деревьев и критерии разбиения: энтропия, индекс Джини
• Разберём алгоритмы ID3, C4.5, CART и критерии остановки роста дерева
• Рассмотрим методы обрезки деревьев и интерпретируемость как ключевое преимущество

Практика:

• Реализуем построение решающего дерева с различными критериями разбиения
• Визуализируем структуру деревьев и интерпретируем правила принятия решений
• Поэкспериментируем с гиперпараметрами для контроля переобучения

Результат: Понимать алгоритмы построения деревьев, уметь интерпретировать модели и извлекать бизнес-правила. 
🛠 Сможете решать задачи: создание экспертных систем принятия решений, автоматизация бизнес-процессов, медицинская диагностика с объяснимыми правилами, кредитный скоринг с прозрачными критериями.

8. Ансамблевые методы: бэггинг и случайный лес
Теория:

• Изучим концепцию ансамблевого обучения и метод бэггинга для снижения дисперсии
• Разберём алгоритм случайного леса и случайный отбор признаков[
• Познакомимся с разложением ошибки на bias и variance и методами оценки важности признаков

Практика:

• Реализуем бэггинг на основе решающих деревьев
• Построим модель случайного леса и настроим её гиперпараметры
• Проанализируем важность признаков и используем её для отбора фичей

Результат: Понимать принципы ансамблевого обучения, уметь применять бэггинг и случайный лес. 🛠 Сможете решать задачи: прогнозирование в условиях высокой неопределённости, анализ важности факторов в сложных системах, обработка больших объёмов разнородных данных, повышение надёжности ML-систем.

[Неделя 5]
Градиентный бустинг и современные реализации
Теория:

• Изучим принципы градиентного бустинга и последовательное обучение слабых моделей
• Разберём современные реализации: XGBoost, CatBoost, LightGBM и их особенности
• Рассмотрим методы регуляризации и предотвращения переобучения в бустинге

Практика:

• Реализуем простой градиентный бустинг
• Поэкспериментируем с XGBoost, CatBoost и LightGBM на различных датасетах
• Настроим гиперпараметры и применим продвинутые техники интерпретации

Результат: Понимать принципы градиентного бустинга, уметь выбирать подходящую реализацию. 🛠 Сможете решать задачи: сможете полноценно участвовать в соревнованиях по машинному обучению (Kaggle), реализовывать прогнозирование в бизнесе с высокой точностью, обрабатывать данные с категориальными признаками

10. Обучение без учителя: кластеризация
Теория:

• Изучим основные методы кластеризации: K-means, иерархическая кластеризация, DBSCAN
• Разберём метрики качества кластеризации и методы определения оптимального количества кластеров
• Рассмотрим различные меры расстояния и их влияние на результаты кластеризации

Практика:

• Реализуем алгоритм K-means и проанализируем его сходимость
• Применим иерархическую кластеризацию и построим дендрограммы
• Поэкспериментируем с DBSCAN для выявления кластеров произвольной формы

Результат: Понимать принципы кластеризации, уметь выбирать подходящий алгоритм для конкретного типа данных. 
🛠 Сможете решать задачи: сегментация клиентов для маркетинга, группировка товаров в интернет-магазине, анализ социальных сетей, поиск аномалий в данных, исследовательский анализ данных без меток.

[Неделя 6]
Понижение размерности и детектирование аномалий
Теория:

• Изучим проблему проклятия размерности и метод главных компонент (PCA)
• Познакомимся с альтернативными методами: LDA, t-SNE, UMAP для визуализации данных
• Разберём методы детектирования аномалий: статистические, основанные на плотности

Практика:

• Применим PCA для понижения размерности и визуализации данных
• Сравним различные методы понижения размерности на высокомерных данных
• Реализуем алгоритмы детектирования аномалий и оценим их производительность

Результат: Понимать методы понижения размерности, уметь применять PCA для предобработки данных. 
🛠 Сможете решать задачи: сжатие изображений и видео, визуализация высокоразмерных данных, обнаружение мошеннических транзакций, поиск дефектов в производстве, мониторинг IT-систем на предмет аномалий.

12. Рекомендательные системы
Теория:

• Изучим основные подходы: коллаборативная фильтрация user-based и item-based
• Разберём контентные методы и гибридные подходы, сочетающие различные техники
• Рассмотрим проблемы холодного старта, разреженности данных и современные методы их решения

Практика:

• Реализуем коллаборативную фильтрацию на основе пользователей и товаров
• Построим контентную рекомендательную систему с использованием признаков товаров
• Применим методы матричного разложения для рекомендаций

Результат: Понимать архитектуру рекомендательных систем, уметь выбирать подходящий метод для предметной области. 
🛠 Сможете решать задачи: создание рекомендаций товаров в e-commerce, персонализация контента в стриминговых сервисах, рекомендации друзей в социальных сетях, подбор вакансий для соискателей, персонализированная реклама.

Что освоите: Создание интеллектуальных агентов и мультиагентных систем
Ключевые темы: RAG-системы, фреймворки crewAI/AutoGen/LangGraph, протокол MCP, оценка качества агентов
Проект: End-to-end AI-агент с интеграцией внешних API
Карьера в Data Science - 1 практическая сессия с экспертом по поиску работы в IT

[Неделя 1]
Вводное занятие
Стартовое занятие с Максимом Шаланкиным — в записи. Узнаете, как устроен курс, какие инструменты и методы будете использовать, чтобы учиться максимально эффективно.
📄 Лонгрид по теме «Базовые понятия в LLM»

[Неделя 2]
LLM и их особенности, первый агент на langchain
На занятии посмотрим как выбрать LLM для задачи — квантизованные модели, instruct-модели и пр, какие есть способы запуска LLM — как использовать API, как развернуть LLM локально с помощью Ollama, как происходит токенизация для разных языков и как это влияет на стоимость решения.

Рассмотрим реализация памяти в цепочках langchain и обсудим зачем подключать внешние источники если уже есть модели с контекстом более 10 М токенов.
В конце реализуем пару простых агентов на langchain.
🧠 Тест на проверку знаний

[Неделя 3]
RAG и оценка его качества
📄 Лонгрид по теме «RAG и оценка его качества».
На занятии познакомимся с основными компонентами RAG, векторными базами и ANN, другими Retrievers. Рассмотрим модификации RAG и подходы к генерации датасета для тестирования получившегося решения, подход LLM as a judge.
В итоге соберем полный пайплайн RAG-системы с оценкой качества.

[Неделя 4]
QA сессия
📄 Лонгрид по теме «Multi Agent System».

[Неделя 5]
Multi Agent System
Вводный обзор MAS, коллективное принятие решений, механизмы обмена информацией и координации агентов между собой.
Дебаты между агентами, actor-critic подходы. Multi-step agents.
Знакомство с библиотеками crew ai, autogen, langgraph, llamaindex, smolagents, swarm от open ai Фреймворк для анализа промптов spade
🧠 Тест на проверку знаний

[Неделя 6]
AI-агенты: инструменты, флоу и сравнение фреймворков
📄 Лонгрид по теме «AI-агенты: инструменты, флоу и сравнение фреймворков»
Углубимся в практику с популярными фреймворками, обсудим проблему оценки результатов.
Tools для AI агентов и их основные типы, workflows.
Методы оценки качества работы AI-помощников, GAIA.
Сравнение библиотек для построения мультиагентных систем.
🧠 Тест на проверку знаний

[Неделя 7]
QA сессия
📄 Лонгрид по теме «Model Context Protocol».

[Неделя 8]
Model Context Protocol
Рассмотрим протокол для унифицированной работы с tools — MCP и фреймворк FastMCP.
Создадим end-to-end MCP приложение.
🧠 Тест на проверку знаний

[Неделя 9]
QA сессия.

Карьерная сессия с экспертом по поиску работы в IT
1 неделя