Начнете работать в специальной программе - среде разработки Jupyter Notebook. Проделаете первые шаги в изучении языка программирования Python. Напишите свои первые строчки кода.

Студенты изучат основы работы с библиотеками NumPy и Pandas — двумя ключевыми инструментами для анализа и обработки данных в Python. В рамках модуля они научатся эффективно работать с многомерными массивами, выполнять математические и логические операции, а также использовать структуры данных Series и DataFrame для чтения, очистки, трансформации и визуального анализа данных. Особое внимание будет уделено практическим навыкам, необходимым для подготовки данных к моделированию в задачах машинного обучения.

Студенты изучат ключевые методы анализа данных, включая статистическое описание, выявление закономерностей и визуализацию. В ходе модуля они освоят подходы к исследовательскому анализу данных (EDA), научатся находить и интерпретировать взаимосвязи между признаками, выявлять выбросы, пропущенные значения и аномалии. Также будет рассмотрено использование визуальных инструментов для представления и понимания структуры данных, что является важным этапом перед построением моделей машинного обучения.

Студенты изучат базовые принципы машинного обучения, включая этапы построения модели: сбор и подготовку данных, выбор признаков, обучение, валидацию и оценку качества. Основное внимание будет уделено алгоритму k ближайших соседей (k-Nearest Neighbors, kNN). Студенты разберутся, как работает этот метод, в каких задачах он применяется, и как правильно выбирать параметры модели. Также будет рассмотрено влияние масштабирования признаков, выбор метрик расстояния и методы оценки производительности модели. Модуль заложит фундамент для дальнейшего изучения более сложных алгоритмов в последующих темах курса.

Студенты изучат ключевые этапы подготовки данных и оценки качества моделей машинного обучения. В рамках модуля будет рассмотрена важность предварительной обработки данных: работа с пропущенными значениями, кодирование категориальных признаков, масштабирование и нормализация. Также студенты освоят методы разделения выборки на обучающую и тестовую, перекрестную проверку (кросс-валидацию), подбор гиперпараметров и выбор метрик оценки качества модели. Полученные знания позволят строить более точные и устойчивые модели, избегая переобучения и ошибок в интерпретации результатов.

Студенты изучат ключевые принципы обучения с учителем — одного из основных направлений машинного обучения. В рамках модуля будет рассмотрена постановка задач классификации и регрессии, а также особенности подготовки данных для этих типов задач. Студенты научатся выбирать и применять модели в зависимости от типа задачи, корректно интерпретировать результаты и оценивать качество предсказаний с помощью соответствующих метрик. Модуль закладывает прочную теоретическую и практическую базу для более глубокого изучения конкретных алгоритмов в последующих темах курса.

Студенты изучат алгоритм построения деревьев решений — одного из самых интерпретируемых и наглядных методов машинного обучения. В рамках модуля будет рассмотрено, как работают деревья в задачах классификации и регрессии, как происходит разбиение данных, что такое критерии качества (например, Gini и энтропия), и как контролировать сложность модели для предотвращения переобучения. Студенты научатся визуализировать структуру дерева, интерпретировать его решения и оценивать производительность модели. Также будет показано, как применять деревья решений с помощью библиотеки Scikit-learn на практике.

Студенты познакомятся с основами обучения без учителя — подхода, при котором модель выявляет скрытые структуры в данных без использования размеченных ответов. Основное внимание будет уделено задаче кластеризации, а именно алгоритму k-средних (k-Means). В рамках модуля студенты изучат принципы группировки данных, методы оценки качества кластеризации, а также подходы к выбору количества кластеров. Также будет рассмотрена задача снижения размерности и её роль в визуализации и предварительной обработке данных. Практическая часть модуля включает применение алгоритмов на реальных наборах данных с использованием библиотеки Scikit-learn.

Студенты получат базовое представление об искусственных нейронных сетях — одной из ключевых технологий современного машинного обучения. В рамках модуля будет рассмотрена структура нейронной сети, принципы работы нейронов, функции активации и процесс обучения с помощью обратного распространения ошибки (backpropagation). Студенты узнают, как настраиваются параметры сети и как влияет количество слоёв и нейронов на качество модели. Практическая часть включает построение и обучение простой нейронной сети с использованием библиотеки Keras (на базе TensorFlow) для решения задач классификации. Модуль создаёт прочную основу для дальнейшего изучения глубокого обучения.

Изучите базовые конструкции языка Python, включая работу с различными типами данных (строки, числа, списки, кортежи, множества, словари). Ознакомьтесь с основными операторами и функциями, а также научитесь работать в среде Jupyter Notebook.

Студенты изучат основы работы с библиотеками NumPy и Pandas — двумя ключевыми инструментами для анализа и обработки данных в Python. В рамках модуля они научатся эффективно работать с многомерными массивами, выполнять математические и логические операции, а также использовать структуры данных Series и DataFrame для чтения, очистки, трансформации и визуального анализа данных. Особое внимание будет уделено практическим навыкам, необходимым для подготовки данных к моделированию в задачах машинного обучения.

Студенты изучат ключевые методы анализа данных, включая статистическое описание, выявление закономерностей и визуализацию. В ходе модуля они освоят подходы к исследовательскому анализу данных (EDA), научатся находить и интерпретировать взаимосвязи между признаками, выявлять выбросы, пропущенные значения и аномалии. Также будет рассмотрено использование визуальных инструментов для представления и понимания структуры данных, что является важным этапом перед построением моделей машинного обучения.

Студенты изучат базовые принципы машинного обучения, включая этапы построения модели: сбор и подготовку данных, выбор признаков, обучение, валидацию и оценку качества. Основное внимание будет уделено алгоритму k ближайших соседей (k-Nearest Neighbors, kNN). Студенты разберутся, как работает этот метод, в каких задачах он применяется, и как правильно выбирать параметры модели. Также будет рассмотрено влияние масштабирования признаков, выбор метрик расстояния и методы оценки производительности модели. Модуль заложит фундамент для дальнейшего изучения более сложных алгоритмов в последующих темах курса.

Студенты изучат ключевые этапы подготовки данных и оценки качества моделей машинного обучения. В рамках модуля будет рассмотрена важность предварительной обработки данных: работа с пропущенными значениями, кодирование категориальных признаков, масштабирование и нормализация. Также студенты освоят методы разделения выборки на обучающую и тестовую, перекрестную проверку (кросс-валидацию), подбор гиперпараметров и выбор метрик оценки качества модели. Полученные знания позволят строить более точные и устойчивые модели, избегая переобучения и ошибок в интерпретации результатов.

Студенты изучат ключевые принципы обучения с учителем — одного из основных направлений машинного обучения. В рамках модуля будет рассмотрена постановка задач классификации и регрессии, а также особенности подготовки данных для этих типов задач. Студенты научатся выбирать и применять модели в зависимости от типа задачи, корректно интерпретировать результаты и оценивать качество предсказаний с помощью соответствующих метрик. Модуль закладывает прочную теоретическую и практическую базу для более глубокого изучения конкретных алгоритмов в последующих темах курса.

Студенты изучат алгоритм построения деревьев решений — одного из самых интерпретируемых и наглядных методов машинного обучения. В рамках модуля будет рассмотрено, как работают деревья в задачах классификации и регрессии, как происходит разбиение данных, что такое критерии качества (например, Gini и энтропия), и как контролировать сложность модели для предотвращения переобучения. Студенты научатся визуализировать структуру дерева, интерпретировать его решения и оценивать производительность модели. Также будет показано, как применять деревья решений с помощью библиотеки Scikit-learn на практике.

Студенты познакомятся с основами обучения без учителя — подхода, при котором модель выявляет скрытые структуры в данных без использования размеченных ответов. Основное внимание будет уделено задаче кластеризации, а именно алгоритму k-средних (k-Means). В рамках модуля студенты изучат принципы группировки данных, методы оценки качества кластеризации, а также подходы к выбору количества кластеров. Также будет рассмотрена задача снижения размерности и её роль в визуализации и предварительной обработке данных. Практическая часть модуля включает применение алгоритмов на реальных наборах данных с использованием библиотеки Scikit-learn.

Студенты получат базовое представление об искусственных нейронных сетях — одной из ключевых технологий современного машинного обучения. В рамках модуля будет рассмотрена структура нейронной сети, принципы работы нейронов, функции активации и процесс обучения с помощью обратного распространения ошибки (backpropagation). Студенты узнают, как настраиваются параметры сети и как влияет количество слоёв и нейронов на качество модели. Практическая часть включает построение и обучение простой нейронной сети с использованием библиотеки Keras (на базе TensorFlow) для решения задач классификации. Модуль создаёт прочную основу для дальнейшего изучения глубокого обучения.