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

[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток ★ 4.800

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): продвинутый поток»Учеников на курсе 7 068
Сертификаты, выданные на курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Сертификатов выдано 0
Отзывы о курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Отзывов получено 30
Рейтинг курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Рейтинг курса 4.800
Уроки в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Количество уроков 35
Тесты в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Количество квизов 7
Задачи с кодом в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Количество задач с кодом 4
Время прохождения курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Время прохождения курса —
Обновления курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Обновления курса — —
Дата публикации курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Дата публикации курса — ———
Последнее обновление курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток» 22 раздела Уроки в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток» 35 уроков Тесты в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток» 7 тестов Задачи в курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток» 4 задачи Время прохождения курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток» 5 ч. Последнее обновление курса «[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток» обн. 1 год назад

Организационная информация

3 урока
1. О нас ↗
2. Инструменты курса. Jupyter и Google Colab ↗
3. Дополнительные материалы для самостоятельного освоения ↗

Введение в искусственный интеллект

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

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. Сегментация изображений

1 урок
1. Домашнее задание. Сегментация изображений ↗

Детекция объектов на изображениях

2 урока
1. Лекция. Нейронная детекция объектов. Илья Захаркин ↗
2. Семинар. Нейронная детекция объектов. Илья Захаркин ↗

Генеративные модели и автоэнкодеры

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

Домашнее задание. Автоэнкодеры

1 урок
1. Домашнее задание. Автоэнкодеры ↗

Генеративно-состязательные модели

2 урока
1. Лекция. Генеративно-состязательные модели. Никита Балаганский ↗
2. Семинар. Генеративно-состязательные модели. Артём Ямалутдинов ↗

Домашнее задание. Генеративно-состязательные модели

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

Итоговый проект

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