===Описание курса===
За год мы попробуем пройти путь от сложения и умножения чисел до
современного машинного обучения.
Начнём с простых вопросов: что вообще значит «машина обучается»? Чем
машинное обучение отличается от обычной программы? Как компьютер может
провести прямую через точки, отличить кота от собаки или предсказать
следующее слово?
А закончим нейронными сетями, трансформерами и большими языковыми
моделями вроде ChatGPT.
====Требования для обучающихся====
  * Желание учиться и усердность :)
  * Базовые знания Python
  * Умение складывать, умножать
====Что получим на выходе====
  * Базовое понимание большого количества подходов в машинном обучении
  * Структурное понимание как работает современное машинное обучение,
какие методы использовались чтобы дойти до больших моделей по типу
ChatGPT
  * Большое количество упражнений с кодом, данными и математикой
  * Этого курса будет достаточно для продолжения research деятельности
над ML задачами или для подачи на стажировку/обучение в разные
компании
====Что будем изучать====
  * **Математический фундамент:** начала теории множеств и
математической логики, общая алгебра и теория групп, линейная алгебра,
аналитическая геометрия, комбинаторика, теория вероятностей и
математическая статистика, математический анализ.
  * **Работа с данными:** признаки, выборки, визуализация данных,
train/validation/test, переобучение, метрики качества и постановка
экспериментов.
  * **Классическое машинное обучение:** линейная и логистическая
регрессия, k-NN, деревья решений, ансамбли, кластеризация, методы
уменьшения размерности и другие классические алгоритмы.
  * **Нейронные сети:** искусственный нейрон, перцептрон, многослойные
сети, функции активации, backpropagation, градиентный спуск и обучение
глубоких моделей.
  * **Современное машинное обучение:** embeddings, attention,
transformers, языковые модели и основные идеи, на которых построены
современные AI-системы.
  * **Практика:** Python, NumPy, работа с датасетами, визуализация,
реализация алгоритмов, обучение моделей.