Data Science и машинное обучение

1.1. Технологии для обработки данных
1.1.1 Структура курса. Linux (Centos)
1.1.2 Linux (Centos)
1.1.3 Виртуальные машины
1.1.4 Docker
1.1.5 Реляционные базы данных (РСУБД)
1.1.6 Python, numpy
1.1.7 Pandas и работа с РСУБД
1.1.8 Matplotlib, seaborn
1.1.9 Flask

1.2. Простейшие алгоритмы машинного обучения
1.2.1 Введение в машинное обучение. Метрики качества. Матрица ошибок
1.2.2 Линейная регрессия
1.2.3 Логистическая регрессия. Полиномиальная регрессия
1.2.4 Регуляризация. Гребневая регрессия. Лассо
1.2.5 SVM
1.2.6 Решающее дерево
1.2.7 Снижение размерности. PCA
1.2.8 Основы статистики. p-value, t-value. Проверка гипотез
1.2.9 Непараметрическая статистика. KS-test. Bootstrap

1.3. Кластерный анализ
1.3.1 k-means кластеризация
1.3.2 Иерархическая кластеризация

1.4. Алгоритмы бустинга и бэкинга
1.4.1 Случайный лес. Беггинг. Бустинг
1.4.2 Градиентный бустинг

2.1. Нейронные сети
2.1.1 Нейронные сети. Обратное распространение ошибки
2.1.2 Свертка и слои нейронной сети
2.1.3 Pytorch
2.1.4 NN Architectures (ResNet, VGG)
2.1.5 Автокодировщики
2.1.6 LSTM, GRU. Рекуррентные нейронные сети
2.1.7 LLM модели
2.1.8 Seq2Seq, Encoder-Decoder. Attention

2.2 Использование Машиного обучения на предприятии
2.2.1 Стандарт CRISP-DM для данных
2.2.2 Стандарт CRISP-DM для ИИ

2.3. Аналитика больших данных
2.3.1 ARIMA, SARIMA
2.3.2 Обработка данных
2.3.3 Плавающее окно
2.3.4 RF Regressor, Feature engineering

2.4. Обработка естественного языка
2.4.1 Предобработка текста. nltk
2.4.2 Упрощенное представление текста. TF-IDF, word2vec
2.4.3 Эмбединги. ELMO
2.4.4 Трансформер, BERT

2.5. Алгоритмы компьютерного зрения
2.5.1 Цветовые пространства
2.5.2 Сверточные
2.5.3 Морфологические фильтры
2.5.4 Распознавание лиц
2.5.5 YOLO, Object Detetion, Image segmentation

Промежуточная аттестация