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

Deep Learning (семестр 1, весна 2026) ★ 4.800

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 6 311
Сертификаты, выданные на курсе «Deep Learning (семестр 1, весна 2026)»Сертификатов выдано 0
Отзывы о курсе «Deep Learning (семестр 1, весна 2026)»Отзывов получено 10
Рейтинг курса «Deep Learning (семестр 1, весна 2026)»Рейтинг курса 4.800
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. 11 августа 2026

Организационная информация

2 урока
1. О курсе ↗
2. Инструменты курса ↗

Введение в искусственный интеллект

1 урок
1. Лекция, введение в ИИ. Михаил Бурцев ↗

Основы машинного обучения

3 урока
1. Лекция. Введение в машинное обучение. ↗
2. Семинар. Введение в ML. Pandas, Matplotlib, Sklearn. ↗
3. Дополнительный семинар. Feature engineering: допглавы ↗

Домашнее задание. Основы машинного обучения

1 урок
1. Домашнее задание. Основы машинного обучения ↗

Линейные модели

3 урока
1. Лекция. Линейные модели. ↗
2. Семинар. Линейные модели. ↗
3. Дополнительные материалы. ↗

Домашнее задание. Линейные модели

1 урок
1. Домашнее задание. Линейные модели и методы оптимизации ↗

Композиции алгоритмов и выбор модели

3 урока
1. Решающие деревья и композиции алгоритмов. ↗
2. Допматериал. Метрики машинного обучения. ↗
3. Семинар. Выбор моделей и цикл разработки. ↗

Домашнее задание. Решение ML-соревнования

1 урок
1. Домашнее задание. Конкурс на kaggle ↗

Введение в нейронные сети

4 урока
1. Лекция. Введение в нейронные сети. ↗
2. Семинар. Введение в библиотеку Pytorch. ↗
3. Дополнительные материалы к модулю ↗
4. Дополнительные материалы. Математика. ↗

Сверточные нейросети

2 урока
1. Лекция. Сверточные нейросети. ↗
2. Семинар. Модули в PyTorch и CNN. ↗

Домашнее задание. Сверточные и полносвязные нейросети

1 урок
1. Домашнее задание. Сверточные и полносвязные нейросети ↗

Продвинутое обучение нейросетей

2 урока
1. Лекция. Продвинутое обучение нейронных сетей. ↗
2. Семинар. Продвинутое обучение нейросетей. ↗

Архитектуры CNN и Fine-Tuning

2 урока
1. Лекция. Классификация изображений. Татьяна Гайнцева ↗
2. Семинар. Классификация изображений. ↗

Домашнее задание. Архитектуры CNN и Fine-Tuning

1 урок
1. Домашнее задание. Классификация Симпсонов ↗

Семантическая сегментация

4 урока
1. Лекция. Семантическая сегментация. Татьяна Гайнцева ↗
2. Семинар. Семантическая сегментация. Асель Ермекова ↗
3. Опционально: Семинар. Семантическая сегментация. Юрий Яровиков ↗
4. Открытая лекция. Задача интерактивной сегментации ↗

Домашнее задание. Сегментация изображений

1 урок
1. Домашнее задание. Сегментация изображений ↗

Дополнительный модуль. Основы области Explainable AI

2 урока
1. Лекция. Основы области Explainable AI для моделей мо ↗
2. Семинар. Основы области Explainable AI для моделей мо ↗

Детекция объектов

2 урока
1. Лекция. Детекция объектов. ↗
2. Семинар. Детекция объектов. ↗

Домашнее задание. Детекция объектов

1 урок
1. Домашнее задание. Детекция. ↗

Генеративные модели и автоэнкодеры

3 урока
1. Лекция. Автоэнкодеры. Нина Коновалова ↗
2. Семинар. Автоэнкодеры. Артём Ямалутдинов ↗
3. Опционально: Лекция. Автоэнкодеры. Никита Балаганский ↗

Домашнее задание. Автоэнкодеры

1 урок
1. Домашнее задание. Автоэнкодеры ↗

Генеративно-состязательные сети

3 урока
1. Лекция. GANs ↗
2. Семинар (part 1) - введение в GANs ↗
3. Семинар (part 2). Инверсия StyleGAN-2 ↗

Домашнее задание. Генеративно-состязательные сети

1 урок
1. Домашнее задание. Генеративно-состязательные модели ↗

Итоговый проект

1 урок
1. Итоговый проект. Описание и форма сдачи ↗

Модуль для дополнительных баллов

1 урок
1. Урок для дополнительных баллов ↗