Курс Python та нейронні мережі –
навчання з нуля до першого проєкту

1. Основи Python

• Знайомство та базові конструкції

• Вступ до Python
• Що таке Python, його застосування, огляд синтаксису
• Установка Python та середовища (Jupyter, VS Code)
• Виведення на екран (print), змінні, типи даних, числові типи, рядки, булеві значення
• Арифметика та базові операції
• Основні математичні операції, порядок виконання, присвоєння
• Булева логіка і оператори порівняння (==, !=, >, <, and, or, not)
• Умовні оператори if, elif, else, вкладені умови, скорочений запис
• Методи роботи з рядками len(), upper(), lower(), split(), replace(), f-string

• Структури даних, цикли, функції

• Списки та базові структури даних
• list, tuple, set, dict — огляд і базові операції
• Цикли for, while, break, continue, range()
• Ітерація по списках, словниках
• Генератори списків
• Функції: def, аргументи, return, позиційні та іменовані аргументи, *args, **kwargs
• Область видимості змінних
• Обробка винятків: try/except, базові типи помилок
• Імпорт модулів та бібліотек (import, from...import)
• Стандартні бібліотеки: math, random, datetime

• Міні-проєкти

• Калькулятор з різними операціями
• Робота з рядками та форматування
• Введення/виведення даних
• Менеджер завдань (to-do list)
• Аналіз частоти слів у тексті
• Прості ігри (вгадай число)

2. Python для Data Science

• Бібліотеки NumPy, Pandas, Matplotlib

• NumPy та Pandas
• Масиви NumPy, базові операції, reshape, індексація, зрізи, операції над масивами
• Series та DataFrame: створення, фільтрація, агрегація
• Імпорт/експорт даних (CSV, Excel)
• Очищення даних
• Пропущені значення, дублі, категорії
• Робота з датами, текстом, кодування
• Візуалізація даних
• Matplotlib /Seaborn. Побудова графіків: лінійні графіки, гістограми, діаграми розсіяння
• Налаштування підписів осей, легенд, збереження графіків

• Міні-проєкти

• Математичні обчислення, обробка даних
• Аналіз CSV, очищення даних, групування
• Створення дашбордів, візуалізація трендів

• Робота з реальними даними: аналіз датасетів

• Завантаження відкритого датасету (Kaggle, UCI), огляд
• Первинний аналіз даних: describe(), info(), візуалізація розподілу
• Обробка пропусків, категоріальних даних (fillna, dropna, map, get_dummies)
• Агрегація та групування (groupby, agg, pivot_table)
• Попередня підготовка для ML
• Нормалізація, стандартизація, розділення train/test

• Практика над датасетами: повний цикл обробки даних

• Від завантаження до підготовки для навчання моделі
• Класифікація (напр. ірис, цифри), регресія (вартість житла)
• Аналіз якості даних
• Outliers, кореляція ознак, побудова heatmap

• Міні-проєкти

• Аналіз COVID-19 статистики
• Дослідження ринку нерухомості
• Аналіз соціальних мереж

3. Вступ до нейронних мереж

• Теорія нейромереж. Математичні основи

• Базові поняття: штучний нейрон, шар, активація, навчання, ваги
• Де застосовують НН (класифікація, регресія, генерація даних)
• Повнозв’язна (Dense) мережа
• Приклади базових моделей на Keras/TensorFlow або PyTorch

• Побудова першої моделі

• Побудова простої мережі, запуск навчання, оцінка точності

• Міні-проєкти

• Реалізація персептрона з нуля
• Розпізнавання цифр MNIST
• Передбачення цін на житло

4. Архітектури нейронних мереж

• Огляд архітектур нейронних мереж

• Рекурентні нейронні мережі (RNN)
• Класифікація зображень CIFAR-10
• Послідовності, LSTM, GRU
• Для послідовностей, базова теорія, приклади
• Згорткові нейронні мережі (CNN)
• Базові поняття для обробки зображень,
• Інші модифікації
• Dropout, BatchNorm, різні функції активації

• Запуск та аналіз різних архітектур

• Приклади з готовими датасетами
• Міні-проєкти
• Передбачення акцій
• Генерація тексту
• Аналіз настроїв

5. Методи навчання нейронних мереж

• Огляд методів навчання нейронних мереж

• Оптимізація та регуляризація
• Просунуті методи
• Deployment та MLOps
• Порівняння методів, кейси їх застосування
• Порівняння оптимізаторів
• Боротьба з перенавчанням
• Hyperparameter tuning
• Ансамблі моделей
• Cross-validation для НМ
• Метрики якості
• Flask API для моделі
• Dockerизація додатка
• Моніторинг моделей

• Робота з готовими моделями

• Завантаження, використання і донавчання попередньо навчених (pre-trained) моделей
• HuggingFace, TensorFlow Hub
• Transfer Learning
• Використання для задач класифікації на малих датасетах

6. Фінальний проєкт.
Повний ML pipeline: від збору даних до deployment моделі з вебінтерфейсом.

• Вибір теми фінального проєкту та його реалізація

• Постановка задачі
• Вибір/надання датасету (Kaggle), визначення мети (класифікація/регресія)
• Розробка повного пайплайну
• Передобробка даних, побудова моделі, навчання, валідація
• Оцінка результатів
• Досягнення заданої точності, аналіз помилок

• Захист проєкту

• Демонстрація рішення
• Пояснення вибору архітектури
• Короткий виклад результатів