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 22 часов.

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

Курс имеет рейтинг 5.0 из 5 на основе 0 отзывов. На курсе обучается 2 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	2
Сертификатов выдано	0
Отзывов получено	4
Рейтинг курса	5.000
Курсов в пакете	5	—	—	—	—
Количество уроков	138
Количество квизов	1411
Количество задач с кодом	33
Время прохождения курса	22 ч.	—
Стоимость курса	9 690 ₽	—
Обновления курса	—	—
Дата публикации курса	5 месяцев 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»

1411 тестов Задачи в курсе «AI / Deep Learning Engineer»

33 задачи Время прохождения курса «AI / Deep Learning Engineer»

22 ч.

1. Мастерство ML: выбор, тюнинг и оптимизация моделей

284

0 ч.

Базовые принципы выбора моделей

3 урока

1. Bias-Variance trade-off ↗

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

3. Практика: выбор подходящей модели для реального датасета ↗

Линейные модели и их тюнинг

4 урока

1. Linear Regression, Logistic Regression - принципы, ограничения ↗

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

3. Feature scaling, подбор гиперпараметров (alpha, C) ↗

4. Практика:настройка регуляризации GridSearchCV и RandomizedSearch ↗

Деревья решений и ансамбли

4 урока

1. DecisionTreeClassifier/Regressor — как работает дерево ↗

2. Проблемы переобучения и глубины дерева ↗

3. Как сделать деревья устойчивыми: методы ансамблирования ↗

4. Практика: сравнение ансамблей по качеству и интерпретируемости ↗

Градиентный бустинг и его настройка

4 урока

1. Идея бустинга: как слабые модели становятся сильными ↗

2. XGBoost, LightGBM, CatBoost — обзор различий ↗

3. Подбор гиперпараметров (learning_rate, n_estimators, depth) ↗

4. Практика: тюнинг CatBoost и визуализация важности признаков ↗

Оптимизация гиперпараметров

4 урока

1. GridSearchCV, RandomizedSearchCV — теория и применение ↗

2. Bayesian Optimization (Optuna, Hyperopt) ↗

3. Cross-validation и nested CV для честной оценки ↗

4. Практика: поиск оптимальной модели под Kaggle-задачу ↗

Отбор и инженерия признаков

5 уроков

1. Feature importance, permutation importance ↗

2. Recursive Feature Elimination (RFE) ↗

3. Взаимодействия признаков (interaction features) ↗

4. PCA, t-SNE, UMAP для сокращения размерности ↗

5. Практика: улучшение модели за счёт правильных признаков ↗

Интерпретация моделей

3 урока

1. SHAP, LIME, Partial Dependence Plots ↗

2. Практика: анализ SHAP-графиков ↗

3. Обратная связь ↗

2. Нейросети в PyTorch: быстрый старт с нуля 5.00

143

6 ч.

Введение и настройка

2 урока

1. Что такое PyTorch и зачем он нужен ↗

2. Установка и настройка (локально и в Google Colab) ↗

Основы тензоров и автодифференцирование

2 урока

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

2. Автоматическое дифференцирование: requires_grad, backward() и др ↗

Линейные модели и градиентный спуск

4 урока

1. Ручной градиентный спуск ↗

2. Линейная регрессия с PyTorch ↗

3. Функции потерь и оптимизаторы (MSELoss, SGD) ↗

4. Тренировка и визуализация лосса ↗

Нейронные сети

4 урока

1. Что такое нейросети ↗

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

3. Активации: ReLU, Sigmoid, Softmax ↗

4. Модель классификации + обучение ↗

Работа с данными

3 урока

1. Dataset и DataLoader ↗

2. Работа с CSV и изображениями ↗

3. Аугментации и трансформации (torchvision.transforms) ↗

Компьютерное зрение

3 урока

1. Введение в сверточные сети (CNN) ↗

2. Conv2d, MaxPool2d, Flatten ↗

3. Классификация на MNIST / CIFAR-10 ↗

Оценка и сохранение моделей

3 урока

1. model.eval(), torch.no_grad() ↗

2. torch.save, torch.load ↗

3. Обратная связь ↗

3. Погружение в NLP: от эмбеддингов до трансформеров

263

8 ч.

Введение в NLP

4 урока

1. Что такое NLP и где применяется ↗

2. Основные задачи NLP: классификация текста, генерация текста и тд ↗

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

4. Основные этапы предобработки текста ↗

Предобработка текста

4 урока

1. Токенизация, стемминг и лемматизация (nltk, spacy) ↗

2. Удаление стоп-слов и очистка текста ↗

3. Векторизация текста: Bag-of-Words ↗

4. Векторизация текста: TF-IDF ↗

Классификация текста

3 урока

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

2. Метрики качества: Accuracy, F1-score, ROC AUC ↗

3. Практика: классификация отзывов ↗

Эмбеддинги и семантика слов

4 урока

1. Введение в эмбеддинги: Word2Vec, GloVe, FastText ↗

2. Практика: Word2Vec, GloVe, FastText ↗

3. Косинусное сходство и поиск похожих слов ↗

4. Практика: эмбеддинги, синонимы и аналогии ↗

Современные трансформеры

5 уроков

1. Архитектура Transformer и механизм Attention ↗

2. Предобученные модели: BERT, RoBERTa, GPT ↗

3. Тонкая настройка (fine-tuning) моделей ↗

4. Практика: классификация текста с помощью BERT ↗

5. Практика: Named Entity Recognition (NER) ↗

Генерация и суммаризация текста

3 урока

1. Методы генерации: greedy search, beam search, sampling ↗

2. Автоматическая суммаризация текстов ↗

3. Практика: генерация описаний и кратких аннотаций к текстам ↗

NLP для русского языка

3 урока

1. Специфика русского языка: морфология, падежи ↗

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

3. Практика: NER для русскоязычных текстов ↗

Проектная работа

2 урока

1. Проектная работа ↗

2. Обратная связь ↗

4. Практический Machine Learning

372

0 ч.

Введение в машинное обучение

4 урока

1. Основные понятия ML ↗

2. Типы задач: регрессия, классификация, кластеризация ↗

3. Этапы ML-проекта ↗

4. Оценка качества моделей ↗

Анализ и подготовка данных

4 урока

1. Разведочный анализ данных (EDA) ↗

2. Обработка пропусков ↗

3. Нормализация и масштабирование ↗

4. Кодирование категориальных признаков ↗

Линейные модели

4 урока

1. Линейная регрессия ↗

2. Регуляризация (L1, L2) ↗

3. Градиентный спуск ↗

4. Логистическая регрессия ↗

Метрики и оценка моделей

3 урока

1. Метрики регрессии ↗

2. Метрики классификации ↗

3. Кросс-валидация ↗

Базовые алгоритмы

2 урока

1. K-ближайших соседей (KNN) ↗

2. Метод опорных векторов (SVM) ↗

Деревья решений и ансамбли

3 урока

1. Решающие деревья ↗

2. Случайный лес ↗

3. Градиентный бустинг ↗

Современные реализации бустинга

3 урока

1. LightBoost ↗

2. XGBoost ↗

3. CatBoost ↗

Снижение размерности

2 урока

1. Метод главных компонент (PCA) ↗

2. Визуализация данных ↗

Кластеризация

3 урока

1. K-means ↗

2. Иерархическая кластеризация ↗

3. DBSCAN ↗

Итоговый проект

2 урока

1. Финальный проект ↗

2. Обратная связь ↗

5. Статистика для собеседований 5.00

118

349

7 ч.

Введение в прикладную статистику

5 уроков

1. Основные понятия: генеральная совокупность, выборка, параметры ↗

2. Виды данных: категориальные, числовые, дискретные ↗

3. Мера центральной тенденции: среднее, медиана, мода ↗

4. Разброс: дисперсия, стандартное отклонение, IQR ↗

5. Практика: Вычислить ключевые статистики вручную ↗

Распределения вероятностей

7 уроков

1. Что такое распределение и зачем оно нужно ↗

2. Нормальное распределение: свойства, Z-оценки ↗

3. Биномиальное, Бернулли, Пуассон ↗

4. Равномерное, экспоненциальное ↗

5. ЦПТ: как объяснить интервьюеру ↗

6. Практика: Определить распределение по графику/описанию ↗

7. Типичные вопросы с собеседований ↗

Оценивание и доверительные интервалы

2 урока

1. Доверительный интервал для среднего, для доли ↗

2. Понятие Bootstrap в статистике ↗

Гипотезы и статистические тесты

9 уроков

1. Что такое гипотеза: H0 и H1 ↗

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

3. p-value: как правильно объяснять ↗

4. t-тест: для чего нужен и как применять ↗

5. Z-тест, χ²-тест, F-тест ↗

6. A/B-тестирование: полный разбор ↗

7. Практика: провести A/B-тест в Python ↗

8. Типичные вопросы интервью: часть 1 ↗

9. Типичные вопросы интервью: часть 2 ↗

Корреляция и регрессия

5 уроков

1. Корреляция Пирсона, Спирмена, Кендалла ↗

2. Ковариация и как её объяснять ↗

3. Линейная регрессия: базовые идеи ↗

4. Линейная регрессия: мультиколлинеарность, VIF ↗

5. Вопросы интервью по корреляции и регрессии ↗

Итоговая практика

4 урока

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

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

3. Практическое задание: провести A/B тест ↗

4. Обратная связь ↗