Курс на Stepik
Обложка курса «Введение в искусственный интеллект» на Stepik
Бесплатно

Введение в искусственный интеллект ★ 0.000

Открыть на
STEPIK.ORG

Курс познакомит слушателей с основами искусственного интеллекта, машинного и глубинного обучения и поможет понять, как устроены современные ИИ-системы. Слушатели узнают, как модели учатся на данных, какие задачи они умеют решать и чем отличаются классические методы машинного обучения от нейронных сетей.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Введение в искусственный интеллект»Учеников на курсе 56
Сертификаты, выданные на курсе «Введение в искусственный интеллект»Сертификатов выдано 0
Отзывы о курсе «Введение в искусственный интеллект»Отзывов получено 0
Рейтинг курса «Введение в искусственный интеллект»Рейтинг курса 0.000
Уроки в курсе «Введение в искусственный интеллект»Количество уроков 88
Тесты в курсе «Введение в искусственный интеллект»Количество квизов 331
Время прохождения курса «Введение в искусственный интеллект»Время прохождения курса —
Обновления курса «Введение в искусственный интеллект»Обновления курса — —
Дата публикации курса «Введение в искусственный интеллект»Дата публикации курса — ———
Последнее обновление курса «Введение в искусственный интеллект»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Введение в искусственный интеллект» 20 разделов Уроки в курсе «Введение в искусственный интеллект» 88 уроков Тесты в курсе «Введение в искусственный интеллект» 331 тест Время прохождения курса «Введение в искусственный интеллект» 3 ч. Последнее обновление курса «Введение в искусственный интеллект» обн. 24 октября 2026

О курсе

2 урока
1. О курсе ↗
2. Инструменты ↗

Python и основы анализа данных

7 уроков
1. Основы Python ↗
2. Коллекции данных ↗
3. Условия и циклы ↗
4. Функции и библиотеки ↗
5. NumPy и массивы ↗
6. Табличные данные и простой анализ ↗
7. Домашнее задание ↗

Знакомство с искусственным интеллектом

4 урока
1. Введение ↗
2. Основные понятия машинного обучения ↗
3. Типы задач в машинном обучении ↗
4. Домашнее задание ↗

Задача регрессии

4 урока
1. Постановка задачи регрессии ↗
2. Метрики качества регрессии ↗
3. Линейная регрессия ↗
4. Домашнее задание ↗

Градиентный спуск

4 урока
1. Градиентный спуск для функции одной переменной ↗
2. Градиентный спуск в общем случае ↗
3. Стохастический градиентный спуск ↗
4. Домашнее задание ↗

Задача классификации

4 урока
1. Постановка задачи классификации ↗
2. Метрики качества классификации ↗
3. Логистическая регрессия ↗
4. Домашнее задание ↗

Нелинейные модели регрессии и классификации

5 уроков
1. Метод k ближайших соседей ↗
2. Решающее дерево ↗
3. Случайный лес ↗
4. Градиентный бустинг ↗
5. Домашнее задание ↗

Практический модуль по обучению ML-моделей

4 урока
1. Очистка данных перед обучением ↗
2. Базовый Pipeline ↗
3. Подбор параметров через GridSearchCV ↗
4. Домашнее задание ↗

Другие задачи машинного обучения

5 уроков
1. Кластеризация ↗
2. Снижение размерности ↗
3. Рекомендательные системы ↗
4. Поиск аномалий ↗
5. Домашнее задание ↗

Основы работы с изображениями и с текстовыми данными

5 уроков
1. Изображение как данные ↗
2. Признаки изображений и классификация ↗
3. Текст как данные ↗
4. Мешок слов и TF-IDF ↗
5. Домашнее задание ↗

Тестирование по блоку "Машинное обучение"

2 урока
1. Тестирование: часть-1 ↗
2. Тестирование:  часть-2 ↗

Полносвязные нейронные сети

4 урока
1. Зачем нужны нейронные сети ↗
2. Функции активации ↗
3. Как работает полносвязная сеть ↗
4. Домашнее задание ↗

Теория и практика обучения нейронных сетей

6 уроков
1. Как нейросеть понимает, что ошибается ↗
2. Градиентный спуск ↗
3. Стохастический градиентный спуск и оптимизаторы ↗
4. Обратное распространение ошибки ↗
5. Знакомство с PyTorch ↗
6. Домашнее задание ↗

Основы компьютерного зрения

4 урока
1. Свёрточные нейронные сети ↗
2. Классические архитектуры компьютерного зрения ↗
3. Аугментации и подготовка данных ↗
4. Домашнее задание ↗

Современное компьютерное зрение и улучшение обучения

5 уроков
1. Детекция объектов ↗
2. Сегментация, поза и генерация изображений ↗
3. Инициализация весов и нормировка данных ↗
4. Dropout и нормализация ↗
5. Домашнее задание ↗

Нейронные сети для работы с текстами: основы

5 уроков
1. Что такое обработка естественного языка? ↗
2. Подготовка текста к обработке ↗
3. Числовое представление текста ↗
4. Эмбеддинги и первая нейросеть для текста ↗
5. Домашнее задание ↗

Рекуррентные нейронные сети

5 уроков
1. Текст как последовательность ↗
2. Устройство RNN ↗
3. Обучение RNN и длинный контекст ↗
4. LSTM, GRU и двунаправленные сети ↗
5. Домашнее задание ↗

Механизм внимания и трансформеры

5 уроков
1. От RNN к вниманию ↗
2. Self-attention ↗
3. Архитектура трансформера ↗
4. Предобученные модели и LLM ↗
5. Домашнее задание ↗

Практический модуль по обучению и дообучению DL-моделей

6 уроков
1. Что такое fine-tuning ↗
2. Полный fine-tuning ↗
3. Обучение только головы ↗
4. LoRA ↗
5. Как выбрать способ дообучения ↗
6. Домашнее задание ↗

Финальное тестирование по курсу

2 урока
1. Тестирование: часть 1 ↗
2. Тестирование: часть 2 ↗