1.1. Введение. Структура курса
1.2. Цикл разработки модели
1.3. Специалисты (виды профессий) в сфере анализа данных
1.4. Настройка рабочего окружения
1.5. Библиотека NumPy
1.6. Библиотека Pandas

2.1. Введение
2.2. Качество данных и типы данных
2.3. Приемы анализа данных - сводные показатели
2.4. Приемы анализа данных - визуализация
2.5. Итоги темы

3.1. Введение
3.2. Постановка задачи машинного обучения
3.3. Алгоритм k-ближайших соседей
3.4. Взвешенный алгоритм k-ближайших соседей
3.5. Виды расстояний
3.6. Проблемы метода k-ближайших соседей
3.7. Оценка качества ML модели и выбор гиперпараметров
3.8. Практика
3.9. Итоги

4.1. Введение
4.2. Model validation
4.3. Data preprocessing
4.4. Итоги темы

5.1. Введение
5.2. Линейная регрессия
5.3. Алгоритм стохастического градиентного спуска
5.4. Метрики качества регрессии
5.5. Регуляризация линейных моделей
5.6. Практика
5.7. Итоги

6.1. Введение
6.2. Логистическая регрессия
6.3. Метрики качества классификации
6.4. Практическое занятие по решению задачи классификации с помощью лог. рег.
6.5. Итоги

7.1. Введение
7.2. Деревья решений
7.3. Ансамблирование алгоритмов
7.4. Случайный лес (random forest)
7.5. Бустинг. AdaBoost
7.6. Градиентный бустинг, catboost/xgboost/lightgbm
7.7. Практическое занятие по использованию деревьев решений и ансамблей над ними
7.8. Итоги

8.1. Введение
8.2. Задача кластеризации
8.3. Быстрый поиск ближайших соседей
8.4. Задача понижения размерности
8.5. Практика

9.1. Введение
9.2. Feature engineering
9.3. Оптимизация гиперпараметров. Алгоритмы ML как гиперпараметры ML пайплайна
9.4. Библиотеки для оптимизации гиперпараметров
9.5. Практическое занятие по использованию деревьев решений и ансамблей над ними
9.6. Итоги

1.1. Введение
1.2. Перцептрон. Функции активации. Многослойный перцептрон
1.3. Обучение нейронных сетей. Оптимизаторы
1.4. Линейная/логистическая регрессия как простейшая нейросеть
1.5. Машинное представление изображения. Свертка. Фильтр
1.6. Сверточная нейронная сеть. Паддинг (padding), Страйд (stride), Рецептивное поле (receptive field)
1.7. Imagenet. Alexnet, VGG
1.8. Глубокие сверточные сети. ResNet
1.9. Эффективные свертки. Inception
1.10. Neural architecture search. EfficientNet
1.11. Итоги

2.1. Введение
2.2. Примеры задач, решаемые NLP подходами
2.3. Предобработка текстов
2.4. Bag-of-words и TF-IDF
2.5. Word2Vec и FastText
2.6. Языковые модели: применение рекуррентных нейронных сетей
2.7. Большие языковые модели
2.8. Transfer Learning при работе с текстами
2.9. Практика
2.10. Итоги

3.1. Введение
3.2. Примеры рекомендательных систем
3.3. Постановка задач рекомендательных систем
3.4. Коллаборативная фильтрация. Memory based подход
3.5. Коллаборативная фильтрация. Матричные факторизация
3.6. Коллаборативная фильтрация. Линейные модели
3.7. Коллаборативная фильтрация. Нейросетевые модели
3.8. Итоги

4.1. Введение
4.2. ML System Design - что это и отличия от System Design
4.3. Фреймворк дизайна ML системы
4.4. Пример дизайна - прогноз спроса
4.5. Пример дизайна - оптимизация маркетинга
4.6. Пример дизайна - подбор рекламы
4.7. Итоги