⮚ Вступ до Machine Learning та Data Science
⮚ Знайомство з мовою програмування Python
- Огляд прикладів застосування Python в аналізі даних та основних бібліотек
- Установка Anaconda, середовище Jupyter Notebook
- Можливості застосування платформи Google Colaboratory
⮚ Синтаксис, типи даних, оператори, цикли, функції
- Типи даних, змінні, логічні вирази
- Умовні оператори, множинне розгалуження
- Цикли
- Незмінювані та змінювані колекції: кортежі, множини, списки, словники; list comprehension
- Функції
⮚ Модуль NumPy
- Багатовимірні масиви, їх створення
- Робота з масивами
- Корисні функції
⮚ Модуль Pandas
- Основні типи даних: Series, DataFrame
- Читання і запис
- Базові операції, індексація та селекція
- Групування і агрегація
- Зведені таблиці
⮚ Візуалізація даних в Python
- Модуль Matplotlib
- Модуль Seaborn

⮚ Практичний блок, розв’язання задач

⮚ Лінійна алгебра, n-вимірний векторний простір
- Базові поняття: матриця, визначник, n-вимірний лінійний векторний простір
- Матричні операції; обернена матриця
- Векторна алгебра: вектор, норма вектора, кут між векторами, скалярний добуток
- Розв’язання задач з використанням модуля NumPy
⮚ Основи математичного аналізу, методи оптимізації. Модуль SciPy
- Функція, способи задання, графік; види функцій
- Поняття похідної, формули та правила диференціювання; застосування похідної
- Функція багатьох змінних; частинні похідні, похідна за напрямом, градієнт
- Методи оптимізації: градієнтний спуск та його модифікації
- Модуль SciPy: чисельні методи, оптимізація
⮚ Основи теорії ймовірностей
- Випадкові події, ймовірність, основні формули
- Випадкові величини, числові характеристики
- Основні закони розподілу: біноміальний, рівномірний, нормальний, експоненційний
- Двовимірна випадкова величина; числові характеристики, поняття коваріації та кореляції
⮚ Статистичний аналіз та візуалізація
- Види даних, генеральна сукупність і вибірка. Обробка первинного статистичного матеріалу, графічне представлення
- Числові характеристики: центральної тенденції (середнє, мода, медіана), положення (квантилі), розсіювання (дисперсія, стандартне відхилення, розмах, інтерквартильний розмах, коефіцієнт варіації), форми (асиметрія, ексцес); коробчаста діаграма
- Математична статистика вивідна: оцінка параметрів та перевірка статистичних гіпотез

⮚ Практичний блок: статистичний аналіз та візуалізація даних з допомогою пакетів Pandas, SciPy, Matplotlib, Seaborn на прикладі заданого датасету

⮚ Види машинного навчання та основні поняття
⮚ Лінійна регресія
- Задача регресії, функція витрат
- Градієнтний спуск у випадку лінійної регресії, стохастичний градієнтний спуск
⮚ Оцінка якості алгоритму, перенавчання та методи регуляризації
- Метрики в задачах регресії
- Underfitting/overfitting
- Методи регуляризації, Ridge та LASSO регресія
- Крос-валідація, підбір гіперпараметрів
⮚ Робота зі змінними: нелінійні перетворення, масштабування, кодування категоріальних змінних
⮚ Дерева рішень
⮚ Метод k найближчих сусідів
⮚ Ансамблеві методи
- Випадковий ліс (random forest)
- Градієнтний бустінг

⮚ Практичний блок: розв’язання задачі регресії на реальних даних, повний цикл побудови моделі

⮚ Задачі класифікації: бінарна та мультикласова класифікація
⮚ Лінійні моделі
- Логістична регресія і метод максимальної правдоподібності
- Метрики в задачах класифікації
- Точність, повнота та їх поєднання
- Регуляризація логістичної регресії
⮚ Дерево рішень у випадку класифікації
⮚ Метод k найближчих сусідів
⮚ Ансамблеві методи в задачах класифікації
- Випадковий ліс (random forest)
- Градієнтний бустінг

⮚ Практичний блок: розв’язання задачі класифікації на реальних даних, повний цикл побудови моделі

⮚ Робота з текстовими ознаками
- Мішок слів (bag-of-words)
- Tf-idf кодування
- Наївний баєсівський класифікатор
⮚ Постановка задачі кластеризації
⮚ Основні підходи до розв’язання задач кластеризації
- Метод k-means, агломеративна кластеризація
- Методи підбору кількості кластерів, візуалізація з допомогою зниження розмірності
- Основні метрики

⮚ Практичний блок: розв’язання задачі кластеризації на реальних даних, повний цикл побудови моделі

У рамках курсового проекту слухачам буде запропоновано розв’язати прикладну бізнес-задачу та презентувати свій підхід до аналізу даних та побудови алгоритму. Це допоможе бути готовими до вирішення реальних задач після закінчення курсу.