Формы подачи материала:
-видео
-текст

Методы:
-асинхронная работа студента на платформе
-синхронная работа на вебинарах с преподавателями
-самостоятельная работа (выполнение заданий)

Методические разработки:
1.Анализ рынок конкурентов — изучаем, что предлагают другие школы — и рынок вакансий, чтобы давать востребованные знания и навыки.
2.Проработка критериев по набору экспертов и авторов программы
3.Разработка контента в обучающие материалы и проектирование структуры курса
4.Анализ рынка вакансий на предмет актуальности знаний
5.Создание авторами модулей программы.
6.Каждый урок проходит многоуровневое ревью — эксперта, методиста, редактора, студента-тестировщика.
7.Чередование форматов подачи информации (текст — видео— таблица).
8.Обязательно предоставление ссылок на дополнительные источники — документацию и полезные статьи, которые помогут лучше понять тему и расширят кругозор студента
9.В конце каждой темы у нас есть:
-итоговое тестирование, чтобы привести знания теории всистему, большая практическая задача для закрепления всех необходимых навыков модуля.
10.Обработка обратной связи от студентов по каждому модулю

-Общие понятия ML
-Виды машинного обучения: обучение с учителем
-Виды машинного обучения: обучение без учителя
-Виды машинного обучения: обучение с подкреплением
-Процесс разработки
-Линейная регрессия: аналитическое решение
-Метрики регрессии. Недостатки аналитического решения
-Линейная регрессия: численное решение
-Дилемма смещения и разброса. Полиномиальные признаки. Регуляризация
-Логистическая регрессия
-Метрики классификации. Мультиклассовая классификация
-Логистическая регрессия. Практика
-Деревья решений
-Введение в ансамбли: бэггинг
-Введение в ансамбли: бустинг
-Введение в ансамбли: стекинг
-Деревья решений и ансамбли. Практика
-Задачи и подходы кластеризации
-Условия задач кластеризации
-Алгоритмы кластеризации
-K-means
-EM-алгоритм
-Агломеративная кластеризация
-DBSCAN
-Сравнение алгоритмов
-Оценка качества
-Коэффициент силуэта
-Однородность
-Полнота
-V-мера
-Кластеризация текстов
-Готовимся к собеседованию
-Разбиение выборки
-Метрики качества регрессии
-Метрики качества классификации
-Underfitting и overfitting
-Дисбаланс выборки
-Визуализация процесса обучения
-Способы представления данных
-Кодирование и преобразование признаков
-Масштабирование признаков
-Даты и расстояния
-Отбор признаков
-Базовая оптимизация
-Продвинутая оптимизация

-Python для анализа данных / Маккини Уэс. - М.: ДМК Пресс, 2020 - 540 с. (ОПК-3)
Статистика и котики / Савельев В. - М.: АСТ, 2018. - 192 с. (ПК-2)
-Data Science: инсайдерская информация для новичков / О’Нил Кэти, Шатт Рэйчел. - СПб.: Питер, 2019 - 368. (ОПК-1)