Курс Python и нейронные сети –
обучение с нуля до первого проекта

1. Основы Python

• Знакомство и базовые конструкции

• Введение в Python
• Что такое Python, его применение, обзор синтаксиса
• Установка Python и среды (Jupyter, VS Code)
• Вывод на экран (print), переменные, типы данных, числовые типы, строки, булевы значения
• Арифметика и базовые операции
• Основные математические операции, порядок выполнения, присваивание
• Булева логика и операторы сравнения (==, !=, >, <, and, or, not)
• Условные операторы if, elif, else, вложенные условия, сокращённая запись
• Методы работы со строками len(), upper(), lower(), split(), replace(), f-string

• Структуры данных, циклы, функции

• Списки и базовые структуры данных
• list, tuple, set, dict — обзор и базовые операции
• Циклы for, while, break, continue, range()
• Итерация по спискам, словарям
• Генераторы списков
• Функции: def, аргументы, return, позиционные и именованные аргументы, *args, **kwargs
• Область видимости переменных
• Обработка исключений: try/except, базовые типы ошибок
• Импорт модулей и библиотек (import, from...import)
• Стандартные библиотеки: math, random, datetime

• Мини-проекты

• Калькулятор с разными операциями
• Работа со строками и форматирование
• Ввод/вывод данных
• Менеджер задач (to-do list)
• Анализ частоты слов в тексте
• Простые игры (угадай число)

2. Python для Data Science

• Библиотеки NumPy, Pandas, Matplotlib

• NumPy и Pandas

• Массивы NumPy, базовые операции, reshape, индексация, срезы, операции над массивами
• Series и DataFrame: создание, фильтрация, агрегация
• Импорт/экспорт данных (CSV, Excel)

• Очистка данных

• Пропущенные значения, дубликаты, категории
• Работа с датами, текстом, кодировкой

• Визуализация данных

• Matplotlib / Seaborn. Построение графиков: линейные графики, гистограммы, диаграммы рассеяния
• Настройка подписей осей, легенд, сохранение графиков

• Мини-проекты

• Математические вычисления, обработка данных
• Анализ CSV, очистка данных, группировка
• Создание дашбордов, визуализация трендов

• Работа с реальными данными: анализ датасетов

• Загрузка открытого датасета (Kaggle, UCI), обзор
• Первичный анализ данных: describe(), info(), визуализация распределения
• Обработка пропусков, категориальных данных (fillna, dropna, map, get_dummies)
• Агрегация и группировка (groupby, agg, pivot_table)
• Предварительная подготовка для ML
• Нормализация, стандартизация, разделение train/test

• Практика над датасетами: полный цикл обработки данных

• От загрузки до подготовки для обучения модели
• Классификация (например, ирисы, цифры), регрессия (стоимость жилья)
• Анализ качества данных
• Outliers, корреляция признаков, построение heatmap

• Мини-проекты

• Анализ COVID-19 статистики
• Исследование рынка недвижимости
• Анализ социальных сетей

3. Введение в нейронные сети

• Теория нейросетей. Математические основы

• Базовые понятия: искусственный нейрон, слой, активация, обучение, веса
• Где применяют НС (классификация, регрессия, генерация данных)
• Полносвязная (Dense) сеть
• Примеры базовых моделей на Keras/TensorFlow или PyTorch

• Построение первой модели

• Построение простой сети, запуск обучения, оценка точности

• Мини-проекты

• Реализация персептрона с нуля
• Распознавание цифр MNIST
• Прогнозирование цен на жильё

4. Архитектуры нейронных сетей

• Обзор архитектур нейросетей

• Рекуррентные нейронные сети (RNN)

• Классификация изображений CIFAR-10
• Последовательности, LSTM, GRU

• Для последовательностей, базовая теория, примеры
• Сверточные нейронные сети (CNN)
• Базовые понятия для обработки изображений
• Другие модификации
• Dropout, BatchNorm, различные функции активации

• Запуск и анализ различных архитектур

• Примеры с готовыми датасетами

• Мини-проекты

• Прогнозирование акций
• Генерация текста
• Анализ настроений

5. Методы обучения нейронных сетей

• Обзор методов обучения нейросетей

• Оптимизация и регуляризация
• Продвинутые методы
• Deployment и MLOps
• Сравнение методов, кейсы их применения

• Сравнение оптимизаторов
• Борьба с переобучением
• Hyperparameter tuning
• Ансамбли моделей
• Cross-validation для НС
• Метрики качества
• Flask API для модели
• Dockerизация приложения
• Мониторинг моделей

• Работа с готовыми моделями

• Загрузка, использование и дообучение предварительно обученных (pre-trained) моделей
• HuggingFace, TensorFlow Hub
• Transfer Learning
• Использование для задач классификации на малых датасетах

6. Финальный проект
Полный ML pipeline: от сбора данных до deployment модели с веб-интерфейсом.

• Выбор темы финального проекта и его реализация

• Постановка задачи
• Выбор/предоставление датасета (Kaggle), определение цели (классификация/регрессия)
• Разработка полного пайплайна
• Предобработка данных, построение модели, обучение, валидация
• Оценка результатов
• Достижение заданной точности, анализ ошибок

• Защита проекта

• Демонстрация решения
• Объяснение выбора архитектуры
• Краткое изложение результатов