Сколько стоит курс «Практический Deep Learning»?

Стоимость курса составляет 3900.00 рублей

Сколько времени занимает прохождение курса «Практический Deep Learning»?

Прохождение курса «Практический Deep Learning» занимает примерно 11 часов.

Какой рейтинг у курса «Практический Deep Learning»?

Курс имеет рейтинг 4.9 из 5 на основе 21 отзывов. На курсе обучается 1 503 учеников.

Выдаётся ли сертификат по окончании курса?

Да, при успешном завершении курса выдаётся сертификат от платформы Stepik. На данный момент 708 учеников получили сертификат (47.1% завершаемость).

Где можно пройти курс «Практический Deep Learning»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/179805.

Курс на Stepik

Обложка курса «Практический Deep Learning» на Stepik

3 900 ₽

Практический Deep Learning ★ 4.857

Name: Практический Deep Learning
Price: 3900.00 RUB
Availability: InStock
Rating: 4.857142857142857 (21 reviews)

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
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	1 503
Сертификатов выдано	708
Отзывов получено	21
Рейтинг курса	4.857
Количество уроков	57
Количество квизов	195
Количество задач с кодом	1
Время прохождения курса	11 ч.	—
Стоимость курса	3 900 ₽	—
Обновления курса	—	—
Дата публикации курса	3 года назад	—	—	—	—
Последнее обновление	26 марта 2026	—	—	—	—
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.

обн. 26 марта 2026

Организация курса

2 урока

1. Программа курса ↗

2. Тест по машинному обучению ↗

Полносвязные нейронные сети

4 урока

1. Мотивация использования нейронных сетей, полносвязные сети ↗

2. Примеры использования нейронных сетей ↗

3. Полносвязные сети. Функции активации ↗

4. Домашнее задание - 1 ↗

Обучение нейронных сетей

7 уроков

1. Обучение нейронных сетей ↗

2. Градиентный спуск для функции одной переменной ↗

3. Градиентный спуск в общем случае ↗

4. Стохастический градиентный спуск ↗

5. Модификации градиентного спуска ↗

6. Метод обратного распространения ошибки ↗

7. Домашнее задание - 2 ↗

Введение в PyTorch

3 урока

1. Знакомство с PyTorch ↗

2. Нейронные сети в PyTorch ↗

3. Домашнее задание - 3 ↗

Ускорение обучения и снижение переобучения

5 уроков

1. Препроцессинг данных и инициализация весов ↗

2. Ограничения на веса ↗

3. DropOut ↗

4. Batch and Layer Normalisation ↗

5. Домашнее задание - 4 ↗

Основы компьютерного зрения

4 урока

1. Введение в компьютерное зрение ↗

2. Классические архитектуры компьютерного зрения ↗

3. Паддинг и аугментации ↗

4. Домашнее задание - 5 ↗

Современное компьютерное зрение

3 урока

1. Современные задачи компьютерного зрения ↗

2. Задача сегментации ↗

3. Pose estimation и генерация изображений ↗

Основы обработки естественного языка

3 урока

1. Word2vec ↗

2. Детали word2vec и вариации алгоритма ↗

3. Домашнее задание - 6 ↗

Рекуррентные нейронные сети

3 урока

1. Рекуррентные нейронные сети ↗

2. Модификации RNN ↗

3. Практика RNN ↗

Attention

3 урока

1. Механизм внимания (attention) и self-attention ↗

2. Attention на практике ↗

3. Тест по attention ↗

Трансформеры: теория

3 урока

1. Архитектура трансформеров ↗

2. Batch and Layer Normalisation ↗

3. Тест по трансформерам ↗

Трансформеры: практика

2 урока

1. Трансформеры в Python ↗

2. Домашнее задание - 7 ↗

Вопросы с собеседований

3 урока

1. Базовый уровень ↗

2. Средний уровень ↗

3. Продвинутый уровень ↗

Классические генеративные модели в Computer Vision

4 урока

1. Задача генерации изображений: описание и подходы ↗

2. Автокодировщики ↗

3. Вариационные автокодировщики ↗

4. Домашнее задание - 8 ↗

Современные генеративные модели Computer Vision

4 урока

1. Генеративно-состязательные сети ↗

2. Диффузионные модели ↗

3. Что есть еще? ↗

4. Домашнее задание - 9 ↗

Методы оптимизации нейронных сетей

4 урока

1. Зачем что-то оптимизировать? ↗

2. Дистилляция и квантизация ↗

3. Практика и обзор продвинутых методов оптимизации ↗

4. Домашнее задание - 10 ↗