Курс на Stepik
Обложка курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)» на Stepik
Бесплатно

[АРХИВ] Deep Learning (семестр 1, осень 2024) 4.786

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 переносом стиля изображений и ГАНами. 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 «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Учеников на курсе 5 403
Сертификаты, выданные на курсе «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Сертификатов выдано 0
Отзывы о курсе «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Отзывов получено 14
Рейтинг курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Рейтинг курса 4.786
Уроки в курсе «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Количество уроков 40
Тесты в курсе «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Количество квизов 1
Время прохождения курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Время прохождения курса
Обновления курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Обновления курса
Дата публикации курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Дата публикации курса
Последнее обновление курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)»Последнее обновление
Сложность normal

Содержание курса

Разделы в курсе «[АРХИВ] Deep Learning (семестр 1, осень 2024)» 22 раздела Уроки в курсе «[АРХИВ] Deep Learning (семестр 1, осень 2024)» 40 уроков Тесты в курсе «[АРХИВ] Deep Learning (семестр 1, осень 2024)» 1 тест Время прохождения курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)» 4 ч. Последнее обновление курса «[АРХИВ] Deep Learning (семестр 1, осень 2024)» обн. 25 января 2026

Организационная информация

2 урока
1. О курсе
2. Инструменты курса. Jupyter и Google Colab

Введение в искусственный интеллект

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

Основы машинного обучения

2 урока
1. Лекция. Введение в машинное обучение.
2. Семинар. Введение в ML. Pandas, Matplotlib, Sklearn.

Домашнее задание. Основы машинного обучения

1 урок
1. Домашнее задание. Основы машинного обучения

Линейные модели

2 урока
1. Лекция. Линейные модели.
2. Семинар. Линейные модели.

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. Юрий Яровиков
2. Допматериал. Метрики машинного обучения. Юрий Яровиков
3. Семинар. Выбор моделей и цикл разработки. Аркадий Боков

Домашнее задание. Решение ML-задачи на Kaggle

1 урок
1. Домашнее задание. Конкурс на kaggle

Введение в нейронные сети

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

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

Архитектуры CNN и Fine-Tuning

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

Домашнее задание. Архитектуры CNN и Fine-Tuning

1 урок
1. Домашнее задание. Классификация Симпсонов

Семантическая сегментация

3 урока
1. Лекция. Семантическая сегментация. Татьяна Гайнцева
2. Семинар. Семантическая сегментация. Асель Ермекова
3. Опционально: Семинар. Семантическая сегментация. Юрий Яровиков

Домашнее задание. Сегментация изображений

1 урок
1. Домашнее задание. Сегментация изображений

Детекция объектов

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

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

4 урока
1. Лекция. GANs
2. Семинар (part 1) - введение в GANs . Артём Ямалутдинов
3. Семинар (part 2). Инверсия StyleGAN-2
4. Опционально: Лекция - GANs Никита Балаганский

Домашнее задание. Генеративно-состязательные сети

1 урок
1. Домашнее задание. Генеративно-состязательные модели

Итоговый проект

1 урок
1. Итоговый проект. Описание и форма сдачи