Принцип работы искусственного нейрона, функции активации, прямой и обратный проход. Многослойный перцептрон, проблема затухающих градиентов. Основы оптимизации: SGD, Adam, регуляризация.

Создание и обучение моделей в Keras: последовательные и функциональные API. Работа со слоями Dense, Dropout, BatchNormalization. Сохранение и загрузка моделей. Использование Google Colab для вычислений.

Свёрточные нейронные сети (CNN) для классификации изображений: архитектура, пулинг, аугментация данных. Введение в обработку естественного языка: токенизация, эмбеддинги, рекуррентные сети.

Полный цикл разработки ИИ-решения: формулировка задачи → сбор и подготовка данных → выбор архитектуры → обучение и оценка → презентация результата. Защита проекта перед наставниками и коллегами. Готовый код и отчёт в портфолио.

Смещение данных, приватность, ответственность при развёртывании моделей. Обзор карьерных траекторий в ИИ: дата-сайентист, ML-инженер, исследователь. Рекомендации по дальнейшему обучению и участию в олимпиадах.