Курс на Stepik
Обложка курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» на Stepik
Бесплатно

[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток ★ 4.565

Открыть на
STEPIK.ORG

Цель этого курса - познакомить слушателей с теорией и практикой глубокого обучения и нейронных сетей в интерактивном формате. В течение курса вам будет предложено несколько практических заданий. Последним заданием является итоговый практический проект. По итогам курса будет выдан сертификат об окончании школы, дающий льготы при поступлении в бакалавриат и магистратуру ФПМИ МФТИ.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Учеников на курсе 6 140
Сертификаты, выданные на курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Сертификатов выдано 0
Отзывы о курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Отзывов получено 23
Рейтинг курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Рейтинг курса 4.565
Уроки в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Количество уроков 36
Тесты в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Количество квизов 26
Задачи с кодом в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Количество задач с кодом 22
Время прохождения курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Время прохождения курса —
Обновления курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Обновления курса — —
Дата публикации курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Дата публикации курса — ———
Последнее обновление курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» 25 разделов Уроки в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» 36 уроков Тесты в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» 26 тестов Задачи в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» 22 задачи Время прохождения курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» 12 ч. Последнее обновление курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» обн. 17 февраля 2026

Организационная информация

1 урок
1. О нас ↗

Введение в искусственный интеллект

2 урока
1. Лекция, введение в ИИ. Михаил Бурцев ↗
2. Инструменты курса ↗

Введение в язык Python

1 урок
1. Семинар. Введение в Python. Владимир Гончаров ↗

Домашнее задание. Язык Python

1 урок
1. Домашнее задание. Основы Python ↗

Линейная алгебра. Библиотеки Numpy и Matplotlib

3 урока
1. Лекция. Линейная алгебра для Data Science. Юрий Яровиков ↗
2. Семинар. Библиотека Numpy. Артём Ямалутдинов ↗
3. Текстовый материал. Библиотека Matplotlib ↗

Домашнее задание. Numpy и линейная алгебра

1 урок
1. Домашнее задание. Numpy и линейная алгебра ↗

Библиотека Pandas

1 урок
1. Семинар. Библиотека Pandas. Артём Ямалутдинов ↗

Домашнее задание. Библиотека Pandas

1 урок
1. Домашнее задание: Библиотека pandas ↗

Производная, градиент и оптимизация

1 урок
1. Лекция. Производная, градиент и оптимизация. Аркадий Боков ↗

Домашнее задание. Градиентная оптимизация

1 урок
1. Домашнее задание. Градиентная оптимизация ↗

Основы машинного обучения

2 урока
1. Лекция. Введение в машинное обучение. Григорий Лелейтнер ↗
2. Семинар. Библиотека sklearn. Григорий Лелейтнер ↗

Домашнее задание. Основы машинного обучения

1 урок
1. Домашнее задание. Основы машинного обучения ↗

Линейные модели

2 урока
1. Лекция. Линейные модели. Григорий Лелейтнер ↗
2. Семинар. Линейные модели. Артем Ямалутдинов ↗

Домашнее задание. Линейные модели и методы оптимизации

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

Композиции алгоритмов и выбор модели

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

Домашнее задание. Решение ML-задачи и Kaggle

1 урок
1. Домашнее задание. Конкурс на kaggle.com ↗

Введение в нейронные сети

2 урока
1. Лекция. Введение в нейронные сети. Радослав Нейчев ↗
2. Семинар. Введение в библиотеку Pytorch. Александр Миленькин ↗

Сверточные нейросети

2 урока
1. Лекция. Сверточные нейросети. Татьяна Гайнцева ↗
2. Семинар. Модули в PyTorch и CNN. Артем Ямалутдинов ↗

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. Радослав Нейчев ↗
2. Семинар. Продвинутое обучение нейросетей. Григорий Лелейтнер ↗

Классификация изображений

2 урока
1. Лекция. Классификация изображений. Татьяна Гайнцева ↗
2. Семинар. Transfer Learning. Никита Балаганский ↗

Домашнее задание. Классификация изображений

1 урок
1. Домашнее задание. Классификация Симпсонов ↗

Семантическая сегментация

1 урок
1. Лекция. Семантическая сегментация. Татьяна Гайнцева ↗

Домашнее задание. Семантическая сегментация

1 урок
1. Домашнее задание. Сегментация изображений ↗

Итоговый проект

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