Тема 1.1. Світ штучного інтелекту
● Що таке машинне навчання та як навчаються моделі● Навігація в світі методів машинного навчання● Процес розв'язку Data Science задач та інструменти для DS рішень
Тема 1.2. Дослідницький Аналіз Даних
● З чого почати дослідницький аналіз даних● Обробка відсутніх значень та аналіз викидів● Аналіз залежностей між категоріальними змінними

● Що таке Git та чому він такий популярний. Встановлення і конфігурація● Команди: робота з репозиторієм● Гілки, pull-ріквести, merge та кращі практики коміту коду● GUI, історія комітів та що не варто комітити

Функції та їх похідні
Тема 2.1 Лінійна та поліноміальна регресія. Методи оцінки точності прогностичної моделі
● Тестування статистичних гіпотез● Підведення до задачі лінійної регресії● Статистичні методи перевірки на гаусовість● ЦГТ і пошук змінних-кандидатів для побудови лін. регресії● Поняття лінії та пошук найкращої лінії, яка описує дані● Вступ до лінійної алгебри. Робота з матрицями і векторами● Математичне формулювання задачі лінійної регресії● Припущення лін. регресії. Метод найменших квадратів● Вимірювання якості регресійної моделі● Градієнтний спуск для задачі лінійної регресії● Лінійна регресія багатьох змінних. Виявлення статистичної значущості коефіцієнтів● Використання категоріальних змінних у моделі машинного навчання● Удосконалення моделі
Тема 2.2 Задача класифікації. Логістична регресія. Принцип роботи та методи оцінки якості
● Задачі класифікації. Математичне формулювання логістичної регресії● Моделювання поліноміальної регресії● Методи регуляризації в машинному навчанні
Розв'язок ML задачі step-by-step
● Задача класифікації з Scikit-Learn. Завантаження даних з Kaggle. Заповнення пропущених значень● Масштабування числових ознак● Навчання логістичної регресії в scikit-learn та оцінка якості класифікатора● Класифікація нового значення. Збереження і завантаження моделі. Sklearn Pipelines
Стратегії вирішення дисбалансу класів у машинному навчанні
● Проблема дисбалансу класів. Random oversampling, undersampling та метод SMOTE● Метод Adasyn, зв'язки Томека і комбінування oversampling з undersampling
Мультикласова та мультизначна класифікація
● Ансамблі моделей. Базові техніки● Задачі мультикласової і мультизначної (multi-label) класифікації● Вимірювання якості мультикласової класифікації. Приклад мультиклас і мультилейбл класифікації на даних
Тема 2.3 Дерева прийняття рішень
● Вступ до дерев прийняття рішень● Принцип побудови дерев прийняття рішень● Вибір критерія розбиття в процесі побудови дерева● Умови зупинки в побудові дерева. Prunning. Як витягнути конкретні правила з дерева● Майстер-клас з перенесення коду з jupyter notebook у Python модуль● Навчання Decision Trees на практиці
Тема 2.4 Методи ансамблювання. Кросвалідація
● Метод крос-валідації для покращення якості моделі● Оптимізація гіперпараметрів● Класифікатор kNN (k-найближчих сусідів)● Ансамблі моделей. Базові техніки● Використання просунутих методів ансамблювання: Stacking та Bagging + MK з аналізом помилок класифікації● Просунуті методи побудови ансамблів● Алгоритми бустингу. Adaboost● Градієнтний бустинг. XGBoost, LightGBM. Вибір алгоритму під задачу● Демо використання бустингових моделей. Тюнінг гіперпараметрів з hyperopt
Тема 2.5 Аналіз часових рядів
● Вступ в аналіз часових рядів. Компоненти часових рядів● Аналіз якості передбачень часових рядів. Автокореляція і часткова автокореляція в часових рядах● Поняття стаціонарності. Знайомство з базовим функціоналом бібліотеки Darts● Методи прогнозування часових рядів та їх застосування. Бейзлайн моделі для часових рядів. Exponential smoothing● Моделі ARIMA/SARIMAX та Theta● Facebook Prophet, RNN/LSTM, трансформери для прогнозування time series. Розгляд часових рядів з іншою природою● Backtesting і аналіз помилок в аналізі часових рядів

Тема 3.1 Алгоритми кластеризації
● Вступ до алгоритмів кластеризації у Machine Learning● KMeans: принцип роботи алгоритму та як визначити оптимальну кількість кластерів● Ієрархічна кластеризація● Метод кластеризації DBSCAN. Silhouette метрика для оцінки якості кластеризації
Тема 3.2 Методи пониження розмірності
● Вступ до пониження розмірностей даних у машинному навчанні● Принцип роботи PCA● Прикладне використання PCA. Візуалізація, зниження шуму, стиснення зображення та аналіз даних за допомогою PCA● Побудова PCA вручну. Нелінійний алгоритм t-SNE
Тема 3.3 Основи побудови рекомендаційних систем
● Collaborative Filtering і принципи побудови рек. систем● Рек. системи з fastai

Продемонструєте всі набуті навички з EDA, препроцесингу, вибору метрик, моделювання та інтерпретації результатів.

● Вступ до MLOps● Що необхідно врахувати після готовності моделі● Способи розгортання ML моделі● Практичний гайд з деплою ML-моделі на Streamlit

Створення додатків на основі LLMів
1. Алгоритм створення додатків з використанням мовних моделей.2. Використання LLMів з бібліотекою Langchain: Промпти і ланцюги.3. Langchain Agents.4. Робота з пам'яттю в Langchain.5. Моделі Hugging Face: Порівняння мовних моделей в Langchain.6. Побудова додатку з використанням Retrieval Augmented Generation (RAG).7. Майстер клас "Побудова мультиагентних систем з LangGraph"

Працевлаштування
● Як створити ексклюзивне резюме● LinkedIn, який працює на вас● Оформлення WOW-портфоліо для Data Science спеціаліста● Огляд платформи для пошуку роботи Djinni. Реєстрація. Пошук вакансій● Лайфхаки успішного проходження співбесід● 250+ питань до технічної співбесіди з відповідями● Гайд "Платформи для пошуку фріланс-проєктів і фултайм роботи в Україні і країнах Європи" 

Тема 1. Основи SQL та Реляційних баз даних
● Що таке SQL та реляційна база даних?● Термінологія, Зв'язки та Діалекти в SQL● Синтаксис SQL● Як користуватись SQL Practice. Приклади найпростіших запитів
Тема 2. Практика роботи з даними в SQL
● Запити з однієї бази. Фільтрація● Робота з рядками та датами● Домашнє завдання №1 на практику SQL● Робота з JOINs: Пояснення та перші приклади● Використання JOIN та CASE WHEN● Об'єднання за допомогою UNION● Домашнє завдання №2 на практику SQL
Тема 3. Підключення до бази даних в Python
● Завантаження бази даних локально● SQL-скрипт та SQL Client● Підключення до бази в Python: connection, cursor● Домашнє завдання №3 Python + SQL● Читання даних за допомогою Pandas● INSERT, DELETE, UPDATE та close connection● Classicmodel database (orders)● Бонус. SQL in Pandas● Домашнє завдання №4 Pandas + SQL

“Фінальний проєкт” - це максимально наближене завдання до умов реальної роботи в IT-компанії.
● Студенти обирають цікавий для себе набір даних● Роблять дослідження, візуалізацію даних ● Створюють інтерактивні дашборди● Використовують SQL, Python, BI-інструмент● Роблять оформлення за рекомендаціями
Це один із найважливіших етапів — бо саме він демонструє: ви готові до реальної роботи в ІТ.