О курсе

Курс посвящен практическим навыкам программирования на Python с акцентом на приложения в области data science и машинного обучения. Особое внимание уделяется основам Python, инструментам анализа данных, нейронным сетям и практикам промышленной разработки. Цель курса — предоставить студентам комплексные навыки программирования на Python, необходимые для современного data science и ML-инжиниринга.

Тематический план

Курс структурирован на три логических блока, охватывающих путь от базового Python до промышленных приложений:

Блок 1: Введение в язык Python

1. Введение в Python: Встроенные типы данных, модель памяти и основы языка
2. Функции и итераторы: Определение функций, итераторы, генераторы и продвинутые конструкции Python
3. Объектно-ориентированное программирование I: Возможности языка, атрибуты, наследование и принципы проектирования классов

Блок 2: Python для машинного обучения

1. Инструменты анализа данных: NumPy, Pandas, Matplotlib и основные библиотеки для работы с данными
2. Инструменты машинного обучения: Scikit-learn, обучение моделей, оценка качества и разработка ML-пайплайнов
3. Объектно-ориентированное программирование II: Типизация, полиморфизм, dataclass, декораторы и продвинутые концепции ООП
4. Нейронные сети: Фреймворки глубокого обучения, PyTorch/TensorFlow и реализация нейронных сетей

Блок 3: Элементы промышленной разработки

1. Виртуальные окружения и контейнеры: Управление окружениями, Docker и развертывание приложений
2. Модули Python и веб-клиенты: Система модулей, HTTP-клиенты и взаимодействие с API
3. Серверная веб-разработка: Flask/FastAPI, REST API и архитектура веб-сервисов
4. Методы повышения эффективности кода: Оптимизация производительности, профилирование и лучшие практики для production кода

Лекции и практические задания

Курс сочетает теоретические лекции с практическими заданиями:

• Формат: Интерактивные лекции + задания по программированию
• Структура: 11 лекций, охватывающих теоретические основы и практические реализации
• Задания: 4 комплексных практических задачи, строящиеся друг на друге

Самостоятельная работа

4 практических задания, охватывающих полный цикл разработки на Python:

1. Введение в Python: Базовые конструкции языка, структуры данных и основы программирования
2. Анализ данных и машинное обучение: Обработка данных, статистический анализ и реализация ML-моделей
3. Нейронные сети: Разработка моделей глубокого обучения, обучение и оценка качества
4. Веб-сервер для ML-моделей: Full-stack ML-приложение с возможностями обучения и inference

Оценивание

Для прохождения курса и получения зачета студенты должны:

• Суммарный балл: Набрать не менее 60 баллов из всех 4 заданий
• Минимум за задание: Набрать не менее 10 баллов за каждое отдельное задание
• Максимальный балл: 100 баллов всего (25 баллов за задание)

Требуемые знания

Базовые знания программирования, математические основы (линейная алгебра, статистика) и знакомство с алгоритмическим мышлением.