Курс на Stepik
Обложка курса «Практический Deep Learning» на Stepik
3 900 ₽

Практический Deep Learning ★ 4.895

Открыть на
STEPIK.ORG

Курс посвящен теоретическим и практическим основам работы с нейронными сетями. В курсе вы узнаете как устроены полносвязные, сверточные и рекуррентные нейронные сети, как они обучаются. Конечно, про трансформеры и attention mechanism вы тоже узнаете! Также вы познакомитесь с фреймворком PyTorch и напишете на нем свои первые нейронные сети.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Практический Deep Learning»Учеников на курсе 1 428
Сертификаты, выданные на курсе «Практический Deep Learning»Сертификатов выдано 669
Отзывы о курсе «Практический Deep Learning»Отзывов получено 19
Рейтинг курса «Практический Deep Learning»Рейтинг курса 4.895
Уроки в курсе «Практический Deep Learning»Количество уроков 57
Тесты в курсе «Практический Deep Learning»Количество квизов 195
Задачи с кодом в курсе «Практический Deep Learning»Количество задач с кодом 1
Время прохождения курса «Практический Deep Learning»Время прохождения курса —
Стоимость курса «Практический Deep Learning»Стоимость курса 3 900 ₽ —
Обновления курса «Практический Deep Learning»Обновления курса — —
Дата публикации курса «Практический Deep Learning»Дата публикации курса — ———
Последнее обновление курса «Практический Deep Learning»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Практический Deep Learning» 16 разделов Уроки в курсе «Практический Deep Learning» 57 уроков Тесты в курсе «Практический Deep Learning» 195 тестов Задачи в курсе «Практический Deep Learning» 1 задача Время прохождения курса «Практический Deep Learning» 11 ч. Последнее обновление курса «Практический Deep Learning» обн. 26 марта 2026

1. Организация курса

2 урока
Закрытый
1.1 Программа курса ↗
888
292
1м 4с
22
Закрытый
1.2 Тест по машинному обучению ↗
1 001
856
3м 34с
12

2. Полносвязные нейронные сети

4 урока
Открытый
2.1 Мотивация использования нейронных сетей, полносвязные сети ↗
2 082
926
19м 47с
60
Открытый
2.2 Примеры использования нейронных сетей ↗
1 346
889
6м 34с
41
Открытый
2.3 Полносвязные сети. Функции активации ↗
1 434
772
16м 43с
35
Открытый
2.4 Домашнее задание - 1 ↗
1 333
692
13м 13с
21

3. Обучение нейронных сетей

7 уроков
Закрытый
3.1 Обучение нейронных сетей ↗
822
769
2м 2с
25
Закрытый
3.2 Градиентный спуск для функции одной переменной ↗
2 611
1 537
21м 56с
94
Закрытый
3.3 Градиентный спуск в общем случае ↗
1 994
1 465
26м 57с
68
Закрытый
3.4 Стохастический градиентный спуск ↗
1 699
1 589
8м 57с
61
Закрытый
3.5 Модификации градиентного спуска ↗
769
690
8м 31с
23
Закрытый
3.6 Метод обратного распространения ошибки ↗
763
703
5м 44с
14
Закрытый
3.7 Домашнее задание - 2 ↗
760
554
24м 18с
12

4. Введение в PyTorch

3 урока
Закрытый
4.1 Знакомство с PyTorch ↗
229
180
7м 4с
3
Закрытый
4.2 Нейронные сети в PyTorch ↗
763
199
21м 18с
39
Закрытый
4.3 Домашнее задание - 3 ↗
1 171
767
20м 43с
23

5. Ускорение обучения и снижение переобучения

5 уроков
Закрытый
5.1 Препроцессинг данных и инициализация весов ↗
704
640
7м 51с
26
Закрытый
5.2 Ограничения на веса ↗
671
634
3м 5с
21
Закрытый
5.3 DropOut ↗
669
629
4м 0с
22
Закрытый
5.4 Batch and Layer Normalisation ↗
699
640
6м 30с
18
Закрытый
5.5 Домашнее задание - 4 ↗
659
545
33м 0с
16

6. Основы компьютерного зрения

4 урока
Закрытый
6.1 Введение в компьютерное зрение ↗
680
620
10м 30с
21
Закрытый
6.2 Классические архитектуры компьютерного зрения ↗
665
405
33м 33с
26
Закрытый
6.3 Паддинг и аугментации ↗
643
573
28м 45с
25
Закрытый
6.4 Домашнее задание - 5 ↗
614
498
6м 55с
4

7. Современное компьютерное зрение

3 урока
Закрытый
7.1 Современные задачи компьютерного зрения ↗
635
534
20м 8с
20
Закрытый
7.2 Задача сегментации ↗
611
341
2м 11с
7
Закрытый
7.3 Pose estimation и генерация изображений ↗
595
551
2м 53с
5

8. Основы обработки естественного языка

3 урока
Закрытый
8.1 Word2vec ↗
652
484
12м 15с
15
Закрытый
8.2 Детали word2vec и вариации алгоритма ↗
617
560
5м 8с
11
Закрытый
8.3 Домашнее задание - 6 ↗
647
496
9м 4с
10

9. Рекуррентные нейронные сети

3 урока
Закрытый
9.1 Рекуррентные нейронные сети ↗
630
545
4м 29с
12
Закрытый
9.2 Модификации RNN ↗
586
533
5м 35с
14
Закрытый
9.3 Практика RNN ↗
584
345
34м 3с
2

10. Attention

3 урока
Закрытый
10.1 Механизм внимания (attention) и self-attention ↗
651
574
7м 50с
18
Закрытый
10.2 Attention на практике ↗
606
535
71м 56с
24
Закрытый
10.3 Тест по attention ↗
592
556
2м 9с
5

11. Трансформеры: теория

3 урока
Закрытый
11.1 Архитектура трансформеров ↗
611
529
5м 18с
15
Закрытый
11.2 Batch and Layer Normalisation ↗
570
512
2м 22с
11
Закрытый
11.3 Тест по трансформерам ↗
573
533
2м 14с
8

12. Трансформеры: практика

2 урока
Закрытый
12.1 Трансформеры в Python ↗
587
469
25м 23с
17
Закрытый
12.2 Домашнее задание - 7 ↗
551
67
17м 45с
6

13. Вопросы с собеседований

3 урока
Закрытый
13.1 Базовый уровень ↗
612
473
2м 23с
6
Закрытый
13.2 Средний уровень ↗
530
427
6м 55с
3
Закрытый
13.3 Продвинутый уровень ↗
525
326
8м 20с
4

14. Классические генеративные модели в Computer Vision

4 урока
Закрытый
14.1 Задача генерации изображений: описание и подходы ↗
552
482
4м 5с
10
Закрытый
14.2 Автокодировщики ↗
522
453
13м 13с
15
Закрытый
14.3 Вариационные автокодировщики ↗
521
458
10м 13с
12
Закрытый
14.4 Домашнее задание - 8 ↗
480
190
17м 6с
7

15. Современные генеративные модели Computer Vision

4 урока
Закрытый
15.1 Генеративно-состязательные сети ↗
527
280
19м 23с
15
Закрытый
15.2 Диффузионные модели ↗
508
449
4м 49с
10
Закрытый
15.3 Что есть еще? ↗
499
436
2м 58с
7
Закрытый
15.4 Домашнее задание - 9 ↗
471
119
11м 17с
4

16. Методы оптимизации нейронных сетей

4 урока
Закрытый
16.1 Зачем что-то оптимизировать? ↗
533
417
8м 39с
9
Закрытый
16.2 Дистилляция и квантизация ↗
516
462
3м 23с
10
Закрытый
16.3 Практика и обзор продвинутых методов оптимизации ↗
502
433
12м 48с
12
Закрытый
16.4 Домашнее задание - 10 ↗
447
112
20м 13с
5