1. Введение в Python

• Знакомство с классом
• История Python, установка на компьютер, примеры
• Первая программа Hello World Python, философия программирования Python

2. Управление версиями кода

• Основы управления версиями кода
• Git и GitHub
• Установка Git и подготовка среды, практика

3. Основы Python

• int, float, логические и математические операции
• строки, их методы, форматирование, срез
• условия if, input(), range(), цикл for
• список, кортеж, набор
• словарь
• в то время как цикл
• функции, нет, лямбда, рекурсия, локальные vs. глобальная область действия
• типы ошибок, управление и их генерация попробуйте/исключите, поднимите
• Промежуточный тест знаний
• Работа с документами, библиотеками os и pathlib, относительная и относительная. абсолютный путь, форматы .txt, .json, .yaml, библиотека Pickle
• Управление пакетами/библиотеками Python, импорт модулей, виртуальные среды Python, создание .exe из сценария .py.

4. Объектно-ориентированное программирование на Python

• Определение классов и ООП, примеры
• Объявление класса, конструктор, деструктор, создание модулей/объектов класса (экземпляр).
• Методы класса и их вызовы
• Наследование классов, преимущества и недостатки, полиморфизм, создание абстрактного класса
• проектирование структур классов и методов
• Использование объектно-ориентированного программирования в анализе данных, реальные примеры
• Статические свойства и методы класса

5. Аналитика данных Python

• Принципы парсинга веб-страниц, BeautifulSoup и других библиотек, юридические ограничения и этические вопросы
• Анализ текстовых данных, Regex
• Библиотека Numpy, работа с многомерными данными, маски данных
• DataTables, библиотека Pandas, Series и DaraFrame
• Визуализация данных, библиотеки Matplotlib, Seaborn. Интерактивные графики с библиотекойplotly
• Визуальный анализ и обработка данных. OpenCV, библиотеки подушек

6. Работа Python с базами данных

• Что такое база данных, SQL или SQL? noSQL, примеры
• Установив базу данных MySQL или PostgreSQL на свой компьютер, попрактикуйтесь с пользовательским интерфейсом приложения.
• Чтение данных из базы данных.
• Создание и редактирование таблиц, сохранение и удаление данных в базе данных SQL.
• Извлечение данных из базы данных с помощью Python
• Преобразование данных, управление и анализ с помощью SQL и Python (библиотека Pandas)

1. Теория машинного обучения

• Что такое машинное обучение (ML), искусственный интеллект или искусственный интеллект? ML, чем оно отличается от традиционного программирования, ход проекта ML
• История машинного обучения
• Типы обучения (под присмотром, без присмотра/самоконтроля, с подкреплением) и примеры использования
• Структурированные (категории, числа и т. д.) vs. неструктурированные данные (текст, звук и т. д.)

2. Обучение с учителем

• Обучение под наблюдением и примеры использования
• Задача классификации, разделение обучающих данных (разделение поезд-тест), метрики оценки модели
• Библиотека Scikit-learn. Линейные модели, K-ближайшие соседи, деревья решений, методы объединения и повышения. недостаточно приспособленный против. переобучение
• Двоичный против. Мультикласс против. Многозначная классификация. Логистическая функция
• Регрессия, метрики оценки регрессионной модели
• Практика с регрессионными моделями (библиотека Scikit-learn)
• Неотрицательная регрессия и примеры ситуаций. Функция ReLu, распределения данных Пуассона и Твиди

3. Без присмотра

• Примеры обучения и использования без присмотра (самоконтроля)
• Кластеризация данных: что такое хорошая кластеризация?

4. Разработка функций

• Нормализация данных, кодирование данных и почему это важно
• Выбор функций и уменьшение размерности. Анализ главных компонентов
• Настройка гиперпараметров модели (настройка гиперпараметров), перекрестная проверка

5. Эволюционные алгоритмы

• Теория и терминология эволюционных алгоритмов
• Практика с эволюционными алгоритмами. Библиотека Python DEAP

Вам нужен компьютер с графическим процессором NVidia с вычислительными возможностями не ниже 6.0.
или используйте Google Colab с графическим процессором (бесплатная версия не всегда работает из-за занятости)

1. Теория искусственных нейронных сетей (ИНС).

• История искусственных нейронных сетей, примеры использования, что такое искусственный нейрон, функции активации
• Структура искусственной нейронной сети (многослойный персептрон), прямое распространение, обратное распространение
• Функция потерь/стоимости, ее представление в виде гористой поверхности, градиентный спуск
• Скорость обучения

2. Практика ANN с Pytorch

• Представляем и записываем Pytorch
• Создание искусственной нейронной сети с помощью Pytorch для классификации фотографий Fashion-MNIST. Обучение модели, оценка результатов
• Кривая потерь, ранняя остановка, насколько полезен Dropout

3. Сверточные нейронные сети (CNN)

• Что такое фотография для компьютера? Какие проблемы у вас возникают при попытке понять, что изображено на картинке?
• Фильтры (ядро изображения), структура сверточной сети, уровень пула
• Создание CNN с помощью Pytorch для классификации фотографий (например, CIFAR10). Обучение модели, оценка результатов
• Увеличение данных и его влияние на обучение
• Трансферное обучение. Как адаптировать обученные модели под свои нужды
• Обнаружение объектов на фотографиях. YOLO, модели MobileNet. Метрики оценки модели распознавания объектов
• Семантическая сегментация против. сегментация экземпляров. Маска R-CNN, сегментация чего угодно (SAM), модели YOLACT

4. Рекуррентные нейронные сети (RNN).

• Потоки данных (аудио, видео, текст) и оглядываясь назад
• Определение, использование и ограничения сети RNN
• Генерация музыки с помощью RNN

5. Генеративно-состязательные сети (GAN).

• Определение GAN, примеры использования
• Обучение модели GAN преобразованию фотографии в стиль Ван Гога

6. Нейронная сеть Трансформер (Трансформер)

• Определение трансформатора, как рассчитывается важность данных (внимание), примеры использования, какие недостатки у этой модели
• Обучение модели Transformer для классификации фотографий

1. НЛП

• Основы НЛП, история и использование
• TF-IDF, мешок слов, библиотека Spacy
• Вложения слов, их виды, плюсы и минусы
• Классификация текста
• Трансформаторные сети текста. Платформа для обнимающего лица и библиотека
• Генерация текста с помощью сетей Transformer

1. Обучение с подкреплением

• Что такое обучение с подкреплением, история, примеры использования, функция вознаграждения, исследование или исследование. Эксплуатация, выбор действий
• Обучение модели обучения с подкреплением в одной из гимназий

1. Решение задач и консультации

• Решения задач, решаемых на протяжении всего курса, консультации по итоговому проекту.

1. Итоговые презентации проекта

• Заключительные презентации проекта

1. Коммуникативные навыки

• Активное слушание
• Эффективная коммуникация
• Работа с трудными клиентами
• Создание соединения

2. Стратегии решения проблем

• Анализ проблемы и диагностика
• Определение решений
• Методы устранения неполадок
• Анализ первопричины проблемы
• Новейшие технологии решения проблем
• Как получить обратную связь от менеджеров
• Профессиональное развитие

3. Тайм-менеджмент и организация

• Приоритизация задач
• Управление рабочей нагрузкой
• Делегирование и сотрудничество

4. Эмоциональный интеллект

• Понимание и управление эмоциями
• Эмпатия и сострадание
• Решение конфликта
• Стресс-менеджмент

5. Как учиться больше, быстрее и меньше
забывать

•  5-минутное упражнение для мозга
• Очистите свой «мысленный туман» с помощью этих 5
  вкусная еда для мозга
•  Изучите мощную технику запоминания, чтобы
  ты бы никогда не пропустил встречу

• Работа искусственного интеллекта. Чем он отличается от человека?
• Создание запроса (Подсказка). В чем разница между хорошим запросом и плохим?
• Валидация результатов. Проверка полученных данных на пригодность в конкретном случае
• Политика управления версиями. Указание версии используемого программного обеспечения (вендора) в запросе
• Плагины искусственного интеллекта в редакторе кода (IDE). Преимущества и недостатки
• Генерация комментариев с помощью искусственного интеллекта
• Создание тестов с помощью плагина
• Оптимизация кода с помощью плагина