AI Learning — полный цикл машинного обучения

Практическая программа на 43 недели по 8–10 часов в неделю: от математики и классических алгоритмов до нейросетей, компьютерного зрения, обработки звука, fine-tuning LLM, API, Docker и мониторинга.

Программа построена не вокруг запоминания библиотек. Для каждого важного метода нужно ответить на четыре вопроса:

1. Какую задачу и допущения он имеет?
2. Как устроены loss, обучение и регуляризация?
3. По каким метрикам и схеме валидации его сравнивать?
4. Как довести результат до воспроизводимого сервиса?

Ожидаемый результат

После курса вы сможете:

• исследовать, очищать и визуализировать данные;
• выбирать между линейными моделями, деревьями, бустингом и нейросетями;
• реализовать GD/SGD, логистическую регрессию, дерево, MLP и attention с нуля;
• понимать backpropagation, функции активации, L1/L2 и оптимизаторы;
• обучать CNN, применять transfer learning и fine-tuning;
• транскрибировать речь и извлекать ритмическую структуру музыки;
• создавать по аудио проверяемый черновик карты для osu!;
• собрать генератор изображения рукописного текста;
• обучить маленькую LM и адаптировать open-weight LLM через LoRA;
• упаковать модель в API/Docker и организовать мониторинг.

Roadmap

Недели	Модуль	Результат
1	00. Среда и Git	Воспроизводимый проект
2–3	01. Python и NumPy	Векторные вычисления и тестируемый код
4–5	02. Линейная алгебра	Геометрия моделей, SVD и PCA
6–7	03. Вероятность и статистика	Неопределённость и эксперименты
8–9	04. Оптимизация	GD/SGD, градиенты, L1/L2
10–11	05. Данные и визуализация	EDA и preprocessing без leakage
12–14	06. Классический ML	Выбор моделей, метрик и validation
15–16	07. Деревья и бустинг	Ансамбли и интерпретация
17	08. Unsupervised learning	Кластеры, размерность, аномалии
18–20	09. Нейросети	MLP, backprop и PyTorch
21–23	10. Computer Vision	CNN и transfer learning
24–26	11. Звук, речь и музыка	Транскрибация и черновик карты osu!
27–29	12. Рукописный текст	Условная генерация изображений
30–32	13. NLP и Transformers	Attention и маленькая LM
33–35	14. Fine-tuning LLM	LoRA, evaluation и RAG
36–38	15. ML Engineering	Пакет, API и Docker
39–40	16. MLOps	Tracking, drift и retraining
41–43	17. Capstone	Full-cycle проект в портфолио

Как заниматься

1. Откройте THEORY_INDEX.md и прочитайте офлайн конспекты выбранного модуля по порядку. Незнакомые термины ищите в GLOSSARY.md.
2. Затем откройте modules/<модуль>/README.md и переходите к практике.
3. Выполняйте задания из assignments/ в собственной папке solution/.
4. Не смотрите готовую реализацию до первой самостоятельной попытки.
5. Отдельно отметьте чтение теории и сдачу задания в PROGRESS.md.
6. Напишите в чат: «Проверь модуль XX, задание YY». Я проверю код, корректность эксперимента, выводы и критерии приёмки.

Данные не нужно искать вслепую: рекомендуемые наборы, способы загрузки и случаи, когда данные генерируются самостоятельно, перечислены в DATASETS.md.

Режим недели

• 2–3 часа: теория и самостоятельные выводы формул;
• 4–5 часов: код и эксперимент;
• 1 час: тесты, графики и анализ ошибок;
• 1 час: отчёт и исправления после review.

Важное уточнение о L1/L2/L3

L1 и L2 — нормы и типичные штрафы регуляризации. «L3» математически существует, но не является стандартным третьим обязательным методом регуляризации в ML. В курсе рассматриваются L1, L2, Elastic Net, dropout, early stopping и data augmentation — с объяснением, когда каждый подход уместен.

Структура

• THEORY_INDEX.md — маршрут по всем конспектам и их предпосылкам;
• GLOSSARY.md — сквозные определения и ссылки на глоссарии модулей;
• modules/ — конспекты, цели и практические задания;
• common/ — фундаментальные главы, обозначения, шаблоны и чек-листы;
• requirements/ — группы зависимостей;
• DATASETS.md — откуда брать данные для каждого этапа;
• PROGRESS.md — раздельный учёт теории и практики;
• SETUP.md — первый запуск на Windows.

Начните с SETUP.md, затем читайте теорию модуля 00 через THEORY_INDEX.md и выполняйте его практику.