[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.

[1]
ИИ-агенты в 2026
Теория:

• Вы узнаете, чем настоящий ИИ‑агент отличается от обычного чат‑бота и «просто большой модели».
• Разберём, как выбирать модели под задачу: по качеству, стоимости, длине контекста, скорости ответа и возможностям вызова инструментов.
• Поймёте, где агенты реально приносят бизнес‑результат: в автоматизации браузера и десктопа, оркестрации API и рутинных операциях.
• Также посмотрим на актуальные бенчмарки.

Практика: На практике вы запустите локальные модели (Llama, Mistral) через Ollama или vLLM, настроите режимы работы и выберете подходящие инструменты под конкретную задачу.

[2]
Управление «мышлением» агента
Теория:

• Вы научитесь управлять тем, «насколько сильно» агент думает над задачей: когда нужен глубокий анализ, а когда достаточно быстрого ответа.
• Разберём, как задавать лимиты по шагам, времени и стоимости, чтобы агент не уходил в бесконечные циклы и не сжигал бюджет.
• Поймёте, как строить авто‑маршрутизацию: сначала дешёвая модель, а при необходимости — более «умная» и дорогая.

Практика: На практике вы настроите лимиты и маршрутизацию между моделями, отладите цепочки рассуждений и точки, где агент «переходит на следующий уровень» качества.

[3]
RAG-системы
Теория:

• Вы узнаете, что такое Agentic RAG и GraphRAG, и в каких случаях они действительно нужны.
• Разберём, что кроме простого векторного поиска можно делать: расширять запрос, делать многошаговый поиск, искать по родительским документам.
• Поймёте, как правильно предобрабатывать данные: добавлять метаданные, версии, убирать дубли и готовить данные «как для продакшна».
• Обсудим, как работать с «грязными» документами: сканами, таблицами, неразборчивым текстом - как их правильно разбивать на чанки и собирать контекст.
• Посмотрим на хранилища: Supabase/Postgres (pgvector), Qdrant/Weaviate, Redis (кэш, сессии, лимиты).
• Отдельно затронем LlamaIndex как альтернативный стек для продвинутых RAG‑решений.

Практика: На практике вы соберёте RAG‑пайплайн на больших и неоднородных данных и сравните несколько подходов: собственный векторный поиск, LlamaIndex и другие инструменты.

[4]
Структурный вывод и типизация PydanticAI
Теория:

• Вы поймёте, как писать агентов «по схеме»: задавать типы и схемы ответов, а не парсить JSON вручную.
• Узнаете, как заставить агента рассуждать в рамках схемы (schema‑guided reasoning).
• Научитесь как передавать контекст, права и ключи через зависимости, а не через промпт, и как строить циклы валидации: как сделать, что если ответ не прошёл проверку, то агент сам его исправляет.

Практика: На практике вы опишете схемы для инструментов и ответов агента, настроите циклы валидации и самокоррекции.

[5]
Управляем компьютером с помощью агента
Теория:

• Вы узнаете, как управлять браузером и десктопом без API — через legacy‑софт и старые кабинеты.
• Разберём, как добавлять визуальные подтверждения перед рискованными действиями и как безопасно запускать агента: изоляция, минимальные права, контроль доменов и действий.

Практика: На практике вы соберёте первого агента‑«робота‑человека», который выполняет рутинные операции в браузере или на десктопе, и настроите подтверждения и ограничения на опасные действия.

[6]
Пишем первого AI-агента
Теория:

• Вы узнаете, как быстро собрать прототип агента визуально, используя LangFlow, чтобы проверить идею без написания кода.
• Разберём, как перейти от прототипа к продакшен‑решению на LangGraph: описывать состояния, ветвления и повторы в виде кода.
• Поймёте, как связывать агента с внешними системами через триггеры, webhook‑и и расписания, превращая его в «клей» между сервисами для MVP.
• Познакомитесь с готовыми конструкторами: OpenAI Agent Builder и Yandex AI Studio, и посмотрите обзор альтернатив — Vertex AI Agent Builder, Bedrock Agents, Copilot Studio, Dify/Flowise.

Практика: На практике вы соберёте MVP‑агента сначала в визуальном конструкторе, затем перенесёте его логику в код на LangGraph и подключите к внешним сервисам через триггеры и интеграции.