Чему вы научитесь
- Объяснять, как обучается и что предсказывает каждый классический алгоритм ML — от линейной регрессии до градиентного бустинга
- Считать и понимать метрики под капотом — MSE, R², precision, recall, F1, ROC-AUC, IoU, mAP — и знать, когда метрика врёт
- Готовить данные и строить модели в pandas, NumPy и scikit-learn, рисовать графики в matplotlib и seaborn
- Понимать математику ML — производные и градиент, матрицы, вероятности, энтропию — на уровне, достаточном для чтения статей
- Объяснять, как работают слои, функции активации, обратное распространение ошибки и оптимизаторы от SGD до AdamW
- Писать и обучать нейросети в PyTorch, прописывать архитектуру послойно — вплоть до ResNet
- Понимать свёрточные сети, трансформеры, LLM и VLM и их историю — от перцептрона до GPT
- Разбираться в детекторах — двухступенчатых, YOLO от v3 до YOLO26 и их аналогах, DETR — и объяснять, чем они отличаются
- Обучать детектор на своих данных и ускорять модель для запуска через ONNX, OpenVINO и TensorRT
- Собирать пайплайн решения задачи — от данных до работающей модели
О курсе
Для кого этот курс
Для тех, кто хочет глубоко понять машинное обучение и компьютерное зрение, а не только научиться запускать готовый код: студентов, разработчиков и людей, которые переходят в ML из других профессий.
Курс рассчитан на старт «Python — на уровне циклов и списков, математика — школьная и подзабытая». Если вы уже знаете часть тем, конспекты модулей помогут быстро проверить себя и перейти к новому.
Начальные требования
- Python на начальном уровне: переменные, циклы, условия, списки, функции.
- Школьная математика. Всё, что сложнее, — производные, матрицы, вероятности — объясняется в курсе с нуля.
- Браузер и аккаунт Google для практики в Colab. Своя видеокарта и установка программ не нужны.
Преподаватели курса
16
Как проходит обучение
Курс текстовый: уроки с иллюстрациями, формулами и примерами кода, без видео. Почти в каждом уроке есть задачи с автопроверкой — выбор ответа, сопоставление, расчёты, задачи на код. После решения — разбор, после неверного ответа — подсказка.
Практика с реальными данными и нейросетями — в блокнотах Google Colab, которые прикреплены к урокам. В конце каждого модуля — конспект и сводные задачи, в конце курса — итоговый проект. Учиться можно в своём темпе, вопросы — в комментариях к любому шагу.