Линейные модели. Реализация градиентного спуска и генератора батчей. Создание класса для логистической регрессии. Реализация регуляризаций.
Решение конкурса на kaggle.com. Решение соревнования Предсказание оттока пользователей на платформе kaggle.com: загрузка и развездочный анализ данных, визуализация данных и нахождения распределения целевой переменной, применение линейных моделей, применение градиентного бустинга (catboost).
Полносвязные и свёрточные нейронные сети. Создание полносвязной нейронной сети с помощью класса Sequential, реализация LeNet, обучение CNN на датасете MNIST.
Классификация изображений. Решение конкурса на Kaggle по классификации Симпсонов
Семантическая сегментация изображений. Реализация SegNet, U-Net. Имплементация и использование функций потерь Dice coefficient, Focal loss.
Автоэнкодеры. Реализация Vanilla Autoencoder (создание лиц людей, добавление улыбки на "грустные" лица). Реализация Variational Autoencoder на датасете MNIST. Изображение латентных векторов картинок точками в двумерном просторанстве. Реализация Conditional VAE.
Генеративно-состязательные модели. Подготовка данных, построение и обучение модели. Генерация изображений, реализация Leave-one-out-1-NN classifier accuracy для оценки качества сгенерированных картинок.