# 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`](THEORY_INDEX.md) и прочитайте офлайн конспекты
   выбранного модуля по порядку. Незнакомые термины ищите в
   [`GLOSSARY.md`](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`](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`](THEORY_INDEX.md) — маршрут по всем конспектам и их
  предпосылкам;
- [`GLOSSARY.md`](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`](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`](THEORY_INDEX.md) и выполняйте его практику.