Курс на Stepik
Обложка курса «Deep Learning (семестр 1, весна 2026)» на Stepik
Бесплатно

Deep Learning (семестр 1, весна 2026) ★ 4.333

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, весна 2026)»Учеников на курсе 3 979
Сертификаты, выданные на курсе «Deep Learning (семестр 1, весна 2026)»Сертификатов выдано 0
Отзывы о курсе «Deep Learning (семестр 1, весна 2026)»Отзывов получено 3
Рейтинг курса «Deep Learning (семестр 1, весна 2026)»Рейтинг курса 4.333
Уроки в курсе «Deep Learning (семестр 1, весна 2026)»Количество уроков 47
Тесты в курсе «Deep Learning (семестр 1, весна 2026)»Количество квизов 3
Задачи с кодом в курсе «Deep Learning (семестр 1, весна 2026)»Количество задач с кодом 17
Время прохождения курса «Deep Learning (семестр 1, весна 2026)»Время прохождения курса —
Обновления курса «Deep Learning (семестр 1, весна 2026)»Обновления курса — —
Дата публикации курса «Deep Learning (семестр 1, весна 2026)»Дата публикации курса — ———
Последнее обновление курса «Deep Learning (семестр 1, весна 2026)»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Deep Learning (семестр 1, весна 2026)» 25 разделов Уроки в курсе «Deep Learning (семестр 1, весна 2026)» 47 уроков Тесты в курсе «Deep Learning (семестр 1, весна 2026)» 3 теста Задачи в курсе «Deep Learning (семестр 1, весна 2026)» 17 задач Время прохождения курса «Deep Learning (семестр 1, весна 2026)» 3 ч. Последнее обновление курса «Deep Learning (семестр 1, весна 2026)» обн. 4 апреля 2026

1. Организационная информация

2 урока
Закрытый
1.1 О курсе ↗
1
0
-
0
Закрытый
1.2 Инструменты курса ↗
0
0
-
0

2. Введение в искусственный интеллект

1 урок
Закрытый
2.1 Лекция, введение в ИИ. Михаил Бурцев ↗
1
1
-
0

3. Основы машинного обучения

3 урока
Закрытый
3.1 Лекция. Введение в машинное обучение. ↗
1
0
-
0
Закрытый
3.2 Семинар. Введение в ML. Pandas, Matplotlib, Sklearn. ↗
1
0
-
0
Закрытый
3.3 Дополнительный семинар. Feature engineering: допглавы ↗
1
1
-
0

4. Домашнее задание. Основы машинного обучения

1 урок
Закрытый
4.1 Домашнее задание. Основы машинного обучения ↗
1
1
-
0

5. Линейные модели

3 урока
Закрытый
5.1 Лекция. Линейные модели. ↗
1
1
-
0
Закрытый
5.2 Семинар. Линейные модели. ↗
1
1
-
0
Закрытый
5.3 Дополнительные материалы. ↗
0
0
-
0

6. Домашнее задание. Линейные модели

1 урок
Закрытый
6.1 Домашнее задание. Линейные модели и методы оптимизации ↗
1
1
-
0

7. Композиции алгоритмов и выбор модели

3 урока
Закрытый
7.1 Решающие деревья и композиции алгоритмов. ↗
0
0
-
0
Закрытый
7.2 Допматериал. Метрики машинного обучения. ↗
0
0
-
0
Закрытый
7.3 Семинар. Выбор моделей и цикл разработки. ↗
0
0
-
0

8. Домашнее задание. Решение ML-соревнования

1 урок
Закрытый
8.1 Домашнее задание. Конкурс на kaggle ↗
1
1
-
0

9. Введение в нейронные сети

4 урока
Закрытый
9.1 Лекция. Введение в нейронные сети. ↗
0
0
-
0
Закрытый
9.2 Семинар. Введение в библиотеку Pytorch. ↗
0
0
-
0
Закрытый
9.3 Дополнительные материалы к модулю ↗
0
0
-
0
Закрытый
9.4 Дополнительные материалы. Математика. ↗
0
0
-
0

10. Сверточные нейросети

2 урока
Закрытый
10.1 Лекция. Сверточные нейросети. ↗
0
0
-
0
Закрытый
10.2 Семинар. Модули в PyTorch и CNN. ↗
0
0
-
0

11. Домашнее задание. Сверточные и полносвязные нейросети

1 урок
Закрытый
11.1 Домашнее задание. Сверточные и полносвязные нейросети ↗
1
1
-
0

12. Продвинутое обучение нейросетей

2 урока
Закрытый
12.1 Лекция. Продвинутое обучение нейронных сетей. ↗
0
0
-
0
Закрытый
12.2 Семинар. Продвинутое обучение нейросетей. ↗
0
0
-
0

13. Архитектуры CNN и Fine-Tuning

2 урока
Закрытый
13.1 Лекция. Классификация изображений. Татьяна Гайнцева ↗
0
0
-
0
Закрытый
13.2 Семинар. Классификация изображений. ↗
0
0
-
0

14. Домашнее задание. Архитектуры CNN и Fine-Tuning

1 урок
Закрытый
14.1 Домашнее задание. Классификация Симпсонов ↗
1
1
-
0

15. Семантическая сегментация

4 урока
Закрытый
15.1 Лекция. Семантическая сегментация. Татьяна Гайнцева ↗
0
0
-
0
Закрытый
15.2 Семинар. Семантическая сегментация. Асель Ермекова ↗
0
0
-
0
Закрытый
15.3 Опционально: Семинар. Семантическая сегментация. Юрий Яровиков ↗
0
0
-
0
Закрытый
15.4 Открытая лекция. Задача интерактивной сегментации ↗
0
0
-
0

16. Домашнее задание. Сегментация изображений

1 урок
Закрытый
16.1 Домашнее задание. Сегментация изображений ↗
1
1
-
0

17. Дополнительный модуль. Основы области Explainable AI

2 урока
Закрытый
17.1 Лекция. Основы области Explainable AI для моделей мо ↗
0
0
-
0
Закрытый
17.2 Семинар. Основы области Explainable AI для моделей мо ↗
0
0
-
0

18. Детекция объектов

2 урока
Закрытый
18.1 Лекция. Детекция объектов. ↗
0
0
-
0
Закрытый
18.2 Семинар. Детекция объектов. ↗
0
0
-
0

19. Домашнее задание. Детекция объектов

1 урок
Закрытый
19.1 Домашнее задание. Детекция. ↗
1
1
-
0

20. Генеративные модели и автоэнкодеры

3 урока
Закрытый
20.1 Лекция. Автоэнкодеры. Нина Коновалова ↗
0
0
-
0
Закрытый
20.2 Семинар. Автоэнкодеры. Артём Ямалутдинов ↗
0
0
-
0
Закрытый
20.3 Опционально: Лекция. Автоэнкодеры. Никита Балаганский ↗
0
0
-
0

21. Домашнее задание. Автоэнкодеры

1 урок
Закрытый
21.1 Домашнее задание. Автоэнкодеры ↗
1
1
-
0

22. Генеративно-состязательные сети

3 урока
Закрытый
22.1 Лекция. GANs ↗
0
0
-
0
Закрытый
22.2 Семинар (part 1) - введение в GANs ↗
0
0
-
0
Закрытый
22.3 Семинар (part 2). Инверсия StyleGAN-2 ↗
0
0
-
0

23. Домашнее задание. Генеративно-состязательные сети

1 урок
Закрытый
23.1 Домашнее задание. Генеративно-состязательные модели ↗
1
1
-
0

24. Итоговый проект

1 урок
Закрытый
24.1 Итоговый проект. Описание и форма сдачи ↗
0
0
-
0

25. Модуль для дополнительных баллов

1 урок
Закрытый
25.1 Урок для дополнительных баллов ↗
0
0
-
0