РАБОТА С AI И ПРОГРАММИРОВАНИЕ:

1. Подготовка признаков (Feature Engineering): работа с библиотекой Pandas для очистки реальных датасетов, выделения ключевых признаков и анализа их влияния на результат.
2. Классическое машинное обучение (ML): практическое освоение и сравнение базовых алгоритмов — построение деревьев решений и запуск моделей кластеризации.
3. Реализация процесса обучения: написание кода на Python для демонстрации того, как модель подбирает веса и меняет свои показатели в формате «до/после обучения».
4. Компьютерное зрение (CV): использование готовых библиотек для распознавания объектов и понимание цепочки «изображение → числа → модель → класс».
5. Обработка естественного языка (NLP): применение простых моделей (HuggingFace Transformers) для анализа текста, определения его тональности и генерации ответов.
6. Интеграция моделей через API (Проект 2 года): создание полноценного мини-сервиса (чат-бота или AI-помощника) с использованием OpenAI/Claude API и фреймворка FastAPI.

МАТЕМАТИКА И СИСТЕМНАЯ ЛОГИКА:

1. Векторная алгебра: изучение векторов как упорядоченных наборов чисел, их координат, длины и базовых операций над ними для представления признаков AI.
2. Матрицы и табличные структуры: освоение матричной формы данных, сложения и умножения матриц как основы для массового преобразования информации.
3.  Элементы математической статистики: расчет выборки, среднего значения, дисперсии и стандартного отклонения для первичного анализа данных.
4.  Математическое понимание перцептрона: разбор концепции «весов» и математической логики того, что именно происходит, когда «модель учится». 
5. Теория вероятностей: изучение случайных и независимых событий, а также условной вероятности для оценки уверенности предсказаний AI в задачах CV и NLP.
6.  Булева алгебра и логические функции: построение булевых выражений и логических схем принятия решений, отражающих внутреннюю структуру деревьев решений. 

1. Проектирование нейросетей в PyTorch: создание первых многослойных перцептронов (MLP) и практическое изучение назначения скрытых слоев.
2. Глубокое обучение для Computer Vision: обучение нейросетей классификации сложных изображений и детекции объектов на базе PyTorch.
3. Создание текстовых нейросетевых систем: разработка собственного текстового AI-ответчика с использованием современных архитектур (HuggingFace).
4. Архитектурная сборка систем: проектирование ИИ-приложений, где логика программы связывает воедино интерфейс, базу данных и AI-модель.
5. Многокомпонентный конвейер (Pipeline): интеграция нескольких разных AI-моделей в одну цепочку (например, распознавание голоса $\rightarrow$ обработка текста $\rightarrow$ генерация ответа).
6. Финальный AI-продукт (Проект 3 года): реализация полного цикла разработки коммерческого AI-решения, включая бэкенд, интерфейс и презентацию продукта.

МАТЕМАТИКА И СИСТЕЫЙ АНАЛИЗ:

1. Векторная алгебра: изучение векторов как упорядоченных наборов чисел, их координат, длины и базовых операций над ними для представления признаков AI.
2. Матрицы и табличные структуры: освоение матричной формы данных, сложения и умножения матриц как основы для массового преобразования информации.
3. Элементы математической статистики: расчет выборки, среднего значения, дисперсии и стандартного отклонения для первичного анализа данных.
4. Математическое понимание перцептрона: разбор концепции «весов» и математической логики того, что именно происходит, когда «модель учится».
5. Теория вероятностей: изучение случайных и независимых событий, а также условной вероятности для оценки уверенности предсказаний AI в задачах CV и NLP.
6. Булева алгебра и логические функции: построение булевых выражений и логических схем принятия решений, отражающих внутреннюю структуру деревьев решений.