Сколько стоит курс «AI / Deep Learning Engineer»?

Стоимость курса составляет 9690.00 рублей

Сколько времени занимает прохождение курса «AI / Deep Learning Engineer»?

Прохождение курса «AI / Deep Learning Engineer» занимает примерно 23 часов.

Какой рейтинг у курса «AI / Deep Learning Engineer»?

Курс имеет рейтинг 5.0 из 5 на основе 0 отзывов. На курсе обучается 0 учеников.

Где можно пройти курс «AI / Deep Learning Engineer»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/282765.

Курс на Stepik

Обложка курса «AI / Deep Learning Engineer» на Stepik

9 690 ₽

AI / Deep Learning Engineer ★ 5.000

Name: AI / Deep Learning Engineer
Price: 9690.00 RUB
Availability: InStock
Rating: 5.0 (0 reviews)

Открыть на
STEPIK.ORG

Программа для изучения Deep Learning и современных методов Machine Learning. Включает 5 курсов, охватывающих нейросети, NLP, оптимизацию моделей и статистику. Подойдёт для углубления знаний и подготовки к работе в AI.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	0
Сертификатов выдано	0
Отзывов получено	2
Рейтинг курса	5.000
Курсов в пакете	5	—	—	—	—
Количество уроков	138
Количество квизов	1417
Количество задач с кодом	29
Время прохождения курса	23 ч.	—
Стоимость курса	9 690 ₽	—
Обновления курса	—	—
Дата публикации курса	9 часов назад	—	—	—	—
Последнее обновление	17 апреля 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание пакета (5 курсов)

Курсы в пакете «AI / Deep Learning Engineer»

5 курсов Уроки в курсе «AI / Deep Learning Engineer»

138 уроков Тесты в курсе «AI / Deep Learning Engineer»

1417 тестов Задачи в курсе «AI / Deep Learning Engineer»

29 задач Время прохождения курса «AI / Deep Learning Engineer»

23 ч.

1. Мастерство ML: выбор, тюнинг и оптимизация моделей

284

0 ч.

1. Базовые принципы выбора моделей

3 урока

Закрытый

1.1 Bias-Variance trade-off ↗

Закрытый

1.2 Метрики качества: MAE, RMSE, R², Accuracy, ROC AUC, F1 ↗

Закрытый

1.3 Практика: выбор подходящей модели для реального датасета ↗

2. Линейные модели и их тюнинг

4 урока

Закрытый

2.1 Linear Regression, Logistic Regression - принципы, ограничения ↗

Закрытый

2.2 L1, L2, ElasticNet: зачем регуляризация и как она работает ↗

Закрытый

2.3 Feature scaling, подбор гиперпараметров (alpha, C) ↗

Закрытый

2.4 Практика:настройка регуляризации GridSearchCV и RandomizedSearch ↗

3. Деревья решений и ансамбли

4 урока

Закрытый

3.1 DecisionTreeClassifier/Regressor — как работает дерево ↗

Закрытый

3.2 Проблемы переобучения и глубины дерева ↗

Закрытый

3.3 Как сделать деревья устойчивыми: методы ансамблирования ↗

Закрытый

3.4 Практика: сравнение ансамблей по качеству и интерпретируемости ↗

4. Градиентный бустинг и его настройка

4 урока

Закрытый

4.1 Идея бустинга: как слабые модели становятся сильными ↗

Закрытый

4.2 XGBoost, LightGBM, CatBoost — обзор различий ↗

Закрытый

4.3 Подбор гиперпараметров (learning_rate, n_estimators, depth) ↗

Закрытый

4.4 Практика: тюнинг CatBoost и визуализация важности признаков ↗

5. Оптимизация гиперпараметров

4 урока

Закрытый

5.1 GridSearchCV, RandomizedSearchCV — теория и применение ↗

Закрытый

5.2 Bayesian Optimization (Optuna, Hyperopt) ↗

Закрытый

5.3 Cross-validation и nested CV для честной оценки ↗

Закрытый

5.4 Практика: поиск оптимальной модели под Kaggle-задачу ↗

6. Отбор и инженерия признаков

5 уроков

Закрытый

6.1 Feature importance, permutation importance ↗

Закрытый

6.2 Recursive Feature Elimination (RFE) ↗

Закрытый

6.3 Взаимодействия признаков (interaction features) ↗

Закрытый

6.4 PCA, t-SNE, UMAP для сокращения размерности ↗

Закрытый

6.5 Практика: улучшение модели за счёт правильных признаков ↗

7. Интерпретация моделей

3 урока

Закрытый

7.1 SHAP, LIME, Partial Dependence Plots ↗

Закрытый

7.2 Практика: анализ SHAP-графиков ↗

Закрытый

7.3 Обратная связь ↗

2. Нейросети в PyTorch: быстрый старт с нуля 5.0

143

5 ч.

1. Введение и настройка

2 урока

Закрытый

1.1 Что такое PyTorch и зачем он нужен ↗

8м

Закрытый

1.2 Установка и настройка (локально и в Google Colab) ↗

12м

2. Основы тензоров и автодифференцирование

2 урока

Закрытый

2.1 torch.Tensor: создание, типы, shape, операции ↗

26м

Закрытый

2.2 Автоматическое дифференцирование: requires_grad, backward() и др ↗

45м

3. Линейные модели и градиентный спуск

4 урока

Закрытый

3.1 Ручной градиентный спуск ↗

12м

Закрытый

3.2 Линейная регрессия с PyTorch ↗

27м

Закрытый

3.3 Функции потерь и оптимизаторы (MSELoss, SGD) ↗

7м

Закрытый

3.4 Тренировка и визуализация лосса ↗

10м

4. Нейронные сети

4 урока

Закрытый

4.1 Что такое нейросети ↗

6м

Закрытый

4.2 Многослойный перцептрон (nn.Sequential, nn.Module) ↗

6м

Закрытый

4.3 Активации: ReLU, Sigmoid, Softmax ↗

20м

Закрытый

4.4 Модель классификации + обучение ↗

5. Работа с данными

3 урока

Закрытый

5.1 Dataset и DataLoader ↗

10м

Закрытый

5.2 Работа с CSV и изображениями ↗

Закрытый

5.3 Аугментации и трансформации (torchvision.transforms) ↗

6. Компьютерное зрение

3 урока

Закрытый

6.1 Введение в сверточные сети (CNN) ↗

6м

Закрытый

6.2 Conv2d, MaxPool2d, Flatten ↗

3м

Закрытый

6.3 Классификация на MNIST / CIFAR-10 ↗

2м

7. Оценка и сохранение моделей

3 урока

Закрытый

7.1 model.eval(), torch.no_grad() ↗

2м

Закрытый

7.2 torch.save, torch.load ↗

19м

Закрытый

7.3 Обратная связь ↗

3. Погружение в NLP: от эмбеддингов до трансформеров

263

12 ч.

1. Введение в NLP

4 урока

Закрытый

1.1 Что такое NLP и где применяется ↗

16м

Закрытый

1.2 Основные задачи NLP: классификация текста, генерация текста и тд ↗

14м

Закрытый

1.3 Основные библиотеки в NLP: nltk, spacy, transformers и др. ↗

11м

Закрытый

1.4 Основные этапы предобработки текста ↗

9м

2. Предобработка текста

4 урока

Закрытый

2.1 Токенизация, стемминг и лемматизация (nltk, spacy) ↗

30м

Закрытый

2.2 Удаление стоп-слов и очистка текста ↗

47м

Закрытый

2.3 Векторизация текста: Bag-of-Words ↗

31м

Закрытый

2.4 Векторизация текста: TF-IDF ↗

86м

3. Классификация текста

3 урока

Закрытый

3.1 Методы ML для текста: Naive Bayes, Logistic Regression, SVM ↗

15м

Закрытый

3.2 Метрики качества: Accuracy, F1-score, ROC AUC ↗

8м

Закрытый

3.3 Практика: классификация отзывов ↗

12м

4. Эмбеддинги и семантика слов

4 урока

Закрытый

4.1 Введение в эмбеддинги: Word2Vec, GloVe, FastText ↗

20м

Закрытый

4.2 Практика: Word2Vec, GloVe, FastText ↗

5м

Закрытый

4.3 Косинусное сходство и поиск похожих слов ↗

24м

Закрытый

4.4 Практика: эмбеддинги, синонимы и аналогии ↗

32м

5. Современные трансформеры

5 уроков

Закрытый

5.1 Архитектура Transformer и механизм Attention ↗

5м

Закрытый

5.2 Предобученные модели: BERT, RoBERTa, GPT ↗

96м

Закрытый

5.3 Тонкая настройка (fine-tuning) моделей ↗

21м

Закрытый

5.4 Практика: классификация текста с помощью BERT ↗

Закрытый

5.5 Практика: Named Entity Recognition (NER) ↗

6. Генерация и суммаризация текста

3 урока

Закрытый

6.1 Методы генерации: greedy search, beam search, sampling ↗

Закрытый

6.2 Автоматическая суммаризация текстов ↗

Закрытый

6.3 Практика: генерация описаний и кратких аннотаций к текстам ↗

7. NLP для русского языка

3 урока

Закрытый

7.1 Специфика русского языка: морфология, падежи ↗

3м

Закрытый

7.2 Работа с русскими предобученными моделями(RuBERT и Hugging Face) ↗

Закрытый

7.3 Практика: NER для русскоязычных текстов ↗

8. Проектная работа

2 урока

Закрытый

8.1 Проектная работа ↗

1м

Закрытый

8.2 Обратная связь ↗

4. Практический Machine Learning

377

5. Статистика для собеседований 5.0

350

6 ч.

1. Введение в прикладную статистику

5 уроков

Закрытый

1.1 Основные понятия: генеральная совокупность, выборка, параметры ↗

11м

Закрытый

1.2 Виды данных: категориальные, числовые, дискретные ↗

4м

Закрытый

1.3 Мера центральной тенденции: среднее, медиана, мода ↗

10м

Закрытый

1.4 Разброс: дисперсия, стандартное отклонение, IQR ↗

11м

Закрытый

1.5 Практика: Вычислить ключевые статистики вручную ↗

12м

2. Распределения вероятностей

7 уроков

Закрытый

2.1 Что такое распределение и зачем оно нужно ↗

16м

Закрытый

2.2 Нормальное распределение: свойства, Z-оценки ↗

16м

Закрытый

2.3 Биномиальное, Бернулли, Пуассон ↗

32м

Закрытый

2.4 Равномерное, экспоненциальное ↗

Закрытый

2.5 ЦПТ: как объяснить интервьюеру ↗

8м

Закрытый

2.6 Практика: Определить распределение по графику/описанию ↗

1м

Закрытый

2.7 Типичные вопросы с собеседований ↗

3. Оценивание и доверительные интервалы

2 урока

Закрытый

3.1 Доверительный интервал для среднего, для доли ↗

10м

Закрытый

3.2 Понятие Bootstrap в статистике ↗

4. Гипотезы и статистические тесты

9 уроков

Закрытый

4.1 Что такое гипотеза: H0 и H1 ↗

Закрытый

4.2 Ошибки 1 и 2 рода, уровень значимости, power ↗

Закрытый

4.3 p-value: как правильно объяснять ↗

8м

Закрытый

4.4 t-тест: для чего нужен и как применять ↗

17м

Закрытый

4.5 Z-тест, χ²-тест, F-тест ↗

49м

Закрытый

4.6 A/B-тестирование: полный разбор ↗

15м

Закрытый

4.7 Практика: провести A/B-тест в Python ↗

1м

Закрытый

4.8 Типичные вопросы интервью: часть 1 ↗

Закрытый

4.9 Типичные вопросы интервью: часть 2 ↗

5. Корреляция и регрессия

5 уроков

Закрытый

5.1 Корреляция Пирсона, Спирмена, Кендалла ↗

Закрытый

5.2 Ковариация и как её объяснять ↗

Закрытый

5.3 Линейная регрессия: базовые идеи ↗

Закрытый

5.4 Линейная регрессия: мультиколлинеарность, VIF ↗

Закрытый

5.5 Вопросы интервью по корреляции и регрессии ↗

6. Итоговая практика

4 урока

Закрытый

6.1 Мини-собеседование: 30 типичных вопросов (часть 1) ↗

Закрытый

6.2 Мини-собеседование: 30 типичных вопросов (часть 2) ↗

Закрытый

6.3 Практическое задание: провести A/B тест ↗

Закрытый

6.4 Обратная связь ↗