Курс на Stepik
Обложка курса «Deep Learning (семестр 1, осень 2025) [АРХИВ]» на Stepik
Бесплатно

Deep Learning (семестр 1, осень 2025) [АРХИВ] ★ 4.750

Открыть на
STEPIK.ORG

Курс посвящен введению в глубокое обучение, нейросети и компьютерное зрение. Начинаем с основ машинного и глубокого обучения, переходим к CNN для обработки картинок, заканчиваем работой с генеративными моделями, такими как GANs. Курс состоит из лекций, семинаров и домашних заданий. В течение курса вам предстоит много практики, а в конце — самостоятельный итоговый проект. Преподаватели школы — ведущие специалисты российских и зарубежных IT-компаний и научные сотрудники исследовательских компаний.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Учеников на курсе 7 133
Сертификаты, выданные на курсе «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Сертификатов выдано 0
Отзывы о курсе «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Отзывов получено 16
Рейтинг курса «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Рейтинг курса 4.750
Уроки в курсе «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Количество уроков 47
Тесты в курсе «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Количество квизов 1
Задачи с кодом в курсе «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Количество задач с кодом 13
Время прохождения курса «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Время прохождения курса —
Обновления курса «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Обновления курса — —
Дата публикации курса «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Дата публикации курса — ———
Последнее обновление курса «Deep Learning (семестр 1, осень 2025) [АРХИВ]»Последнее обновление — ———
Сложность normal — ———

Чему вы научитесь

  • Применять алгоритмы машинного обучения для решения практических задач анализа данных на языке Python
  • Строить полносвязные и сверточные нейронные сети для задач компьютерного зрения с помощью фреймворка Pytorch
  • Решать современные задачи компьютерного зрения с помощью продвинутых нейросетевых архитектур
  • Встраивать нейросетевые модели в простейшие продукты (tg-боты, web-демо)

О курсе

Курс посвящен введению в глубокое обучение, нейросети и компьютерное зрение. Начинаем с основ машинного и глубокого обучения, переходим к CNN для обработки картинок, заканчиваем работой с генеративными моделями, такими как GANs. Курс состоит из лекций, семинаров и домашних заданий. В течение курса вам предстоит много практики, а в конце — самостоятельный итоговый проект. Преподаватели школы — ведущие специалисты российских и зарубежных IT-компаний и научные сотрудники исследовательских компаний.

Для кого этот курс

Курс рассчитан на слушателей с базовыми знаниями программирования на Python и хорошим математическим бэкграундом (линейная алгебра, теория вероятностей, математический анализ). Опыт работы с библиотеками для анализа данных (например, NumPy, Pandas) будет преимуществом, но не обязателен.

Начальные требования

  • владение языком Python
  • владение библиотеками для анализа данных в Python
  • знание вузовской программы высшей математики (основы матричного исчисления, базовые понятия математического анализа и теории вероятностей)

Преподаватели курса

Аватар Школа глубокого обучения МФТИ
Школа глубокого обучения МФТИ
Каждые полгода мы запускаем новую итерацию нашего трехсеместрового практического онлайн-курса по глубокому обучению. Наб...
★ 4.6
22 курса 106 688
→

Как проходит обучение

Вас ждут видеолекции и видеосеминары, а также множество практических домашних заданий. Если у вас появятся вопросы, вы всегда можете задать их в чате курса в Telegram.

Что вы получите

  • 1. Освоите фундаментальные концепции машинного обучения и нейронных сетей.
  • 2. Научитесь разрабатывать, обучать и оптимизировать модели ИИ с использованием современных библиотек.
  • 3. Научитесь применять методы глубокого обучения для решения задач компьютерного зрения.
  • 3. Подготовитесь к реальным проектам в области ИИ и Data Science.

Нагрузка

6-9 часов в неделю

Расскажите о курсе друзьям