Раздел 1. Введение в ИИ. Python для анализа данных

• Теория: Понятие искусственного интеллекта, машинного обучения и глубокого обучения (различия и взаимосвязь). Архитектура современных ИИ-систем. Среда разработки Google Colab / Jupyter Notebook. Библиотеки NumPy (работа с векторами и матрицами), Pandas (работа с табличными данными) и Matplotlib/Seaborn (визуализация данных).

• Практика: Первичный разведочный анализ данных (EDA). Загрузка датасетов, очистка данных от пропусков и аномалий, построение корреляционных матриц и графиков распределения.

Раздел 2. Классическое машинное обучение

• Теория: Обучение с учителем (Supervised Learning). Задачи классификации и регрессии. Алгоритмы: Линейная регрессия, Логистическая регрессия, Метод k-ближайших соседей (k-NN), Деревья решений. Понятие переобучения (Overfitting) и недообучения. Метрики качества моделей (Accuracy, Precision, Recall, MSE).

• Практика: Создание и обучение предсказательных моделей на базе библиотеки Scikit-Learn (например, предсказание стоимости недвижимости или классификация видов растений). Разделение выборки на обучающую и тестовую.

Раздел 3. Введение в нейросети. Глубокое обучение

• Теория: Биологический и искусственный нейрон. Функция активации (ReLU, Сигмоида). Архитектура Перцептрона. Как обучается нейросеть: функция потерь (Loss Function), метод обратного распространения ошибки (Backpropagation), градиентный спуск (Gradient Descent). Знакомство с фреймворком PyTorch / TensorFlow.

• Практика: Написание и обучение простейшей полносвязной нейросети для распознавания рукописных цифр (классический датасет MNIST). Мониторинг процесса обучения (динамика падения лосса).

Раздел 4. Компьютерное зрение (Computer Vision)

• Теория: Как компьютер видит изображения. Ограничения полносвязных сетей при работе с графикой. Сверточные нейронные сети (CNN): операция свертки (Convolution), пулинг (Pooling). Понятие архитектур (ResNet, MobileNet). Предобученные сети и Transfer Learning (перенос обучения).

• Практика: Создание системы распознавания объектов на изображениях (например, классификатор «дрон / птица / самолет»). Использование библиотек OpenCV и PyTorch.

Раздел 5. Обработка текста и генеративный ИИ (NLP & LLM)

• Теория: Специфика текстовых данных. Токенизация и векторизация текста (Bag of Words, TF-IDF). Эмбеддинги слов (Word2Vec). Общий обзор рекуррентных сетей (RNN) и архитектуры Transformer. Принципы работы современных больших языковых моделей (LLM, вроде ChatGPT/YandexGPT) и диффузионных моделей генерации картинок (Midjourney, Шедеврум). Prompt Engineering.

• Практика: Создание классификатора тональности отзывов (определение позитивных и негативных комментариев). Настройка простейшего чат-бота с использованием API генеративных сетей.

Раздел 6. Олимпиадный блок: подготовка к хакатонам

• Теория: Разбор специфики соревнований Kaggle и олимпиадных задач ВсОШ/НТО. Стратегии подбора гиперпараметров моделей. Особенности презентации ИИ-решений перед экспертами.

• Практика: Участие во внутреннем симуляционном хакатоне ЦМИТ. Самостоятельное решение комплексного кейса (Data-ориентированная задача) в командах на время с защитой работающего прототипа модели.