Отмеченное красным требует доработки.

Просьба читать и по необходимости редактировать расписанные билеты.

Отдельный респект @stasaocan и @joraniemishel

00. Теоретический минимум.

01. Табличные данные. Базовые типы признаков. Преобразования.

02. Нормализация. Сэмплирование. Поиск аномалий. Заполнение пропусков.

03. Искусственный интеллект. Интеллектуальные системы. Понятие машинного обучения в искусственном интеллекте.

04. Классификация задач машинного обучения, их примеры и особенности.

05. Метод ближайших соседей для классификации и регрессии.

06. Непараметрическая оценка плотности.

07. SMOTE, Tomek Links, LOWESS.

08. Python. Синтаксис. Базовые структуры данных. Циклы и срезки.

09. Numpy. Pandas. Scikit-learn.

10. Линейная регрессия. L1, L2 регуляризация, ElasticNet

11. Линейная классификация. Градиентный спуск.

12. Логистическая регрессия. Сигмоида. Перекрёстная энтропия.

13. Сингулярное разложение векторов.

14. SoftArgMax. SoftMax.

15. Метод опорных векторов (общая идея)

16. Ядро; ядерный трюк для метода опорных векторов. Вариации SVM.