Курс на Stepik
Обложка курса «Продвинутые методы глубинного обучения» на Stepik
3 900 ₽

Продвинутые методы глубинного обучения ★ 5.000

Открыть на
STEPIK.ORG

Курс посвящен изучению современных алгоритмов и подходов из области Deep Learning, таких как генеративные модели в Computer Vision и в NLP, методы эффективного обучения больших языковых моделей, рекомендательные системы, грабовые нейронные сети и многое другое!

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Продвинутые методы глубинного обучения»Учеников на курсе 212
Сертификаты, выданные на курсе «Продвинутые методы глубинного обучения»Сертификатов выдано 0
Отзывы о курсе «Продвинутые методы глубинного обучения»Отзывов получено 3
Рейтинг курса «Продвинутые методы глубинного обучения»Рейтинг курса 5.000
Уроки в курсе «Продвинутые методы глубинного обучения»Количество уроков 46
Тесты в курсе «Продвинутые методы глубинного обучения»Количество квизов 143
Задачи с кодом в курсе «Продвинутые методы глубинного обучения»Количество задач с кодом 1
Время прохождения курса «Продвинутые методы глубинного обучения»Время прохождения курса —
Стоимость курса «Продвинутые методы глубинного обучения»Стоимость курса 3 900 ₽ —
Обновления курса «Продвинутые методы глубинного обучения»Обновления курса — —
Дата публикации курса «Продвинутые методы глубинного обучения»Дата публикации курса — ———
Последнее обновление курса «Продвинутые методы глубинного обучения»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Продвинутые методы глубинного обучения» 15 разделов Уроки в курсе «Продвинутые методы глубинного обучения» 46 уроков Тесты в курсе «Продвинутые методы глубинного обучения» 143 теста Задачи в курсе «Продвинутые методы глубинного обучения» 1 задача Время прохождения курса «Продвинутые методы глубинного обучения» 6 ч. Последнее обновление курса «Продвинутые методы глубинного обучения» обн. 22 августа 2026

О курсе

2 урока
1. Программа курса ↗
2. Тест по Deep Learning ↗

Нормализационные потоки и метрики качества генерации

3 урока
1. Метрики качества генерации ↗
2. Нормализационные потоки ↗
3. Практика по нормализационным потокам ↗

Сложные задачи Computer Vision

3 урока
1. Stable Diffusion ↗
2. Vision Transformers (ViT) ↗
3. Обзор других существующих решений ↗

Трехмерное компьютерное зрение

2 урока
1. Классические методы ↗
2. Нейросетевые методы ↗

Рекомендательные системы - 1

4 урока
1. Введение в рекомендательные системы ↗
2. Коллаборативная фильтрация ↗
3. Матричные разложения ↗
4. Домашнее задание ↗

Рекомендательные системы - 2

4 урока
1. Метрики качества рекомендаций ↗
2. ML-подход ↗
3. Факторизационные машины ↗
4. Домашнее задание ↗

Рекомендательные системы - 3

3 урока
1. ALS для обучения рекомендательных систем ↗
2. Deep Learning-подходы для построения рекомендаций (обзор) ↗
3. Заключительный урок: материалы и тестирование ↗

Методы объяснения DL-моделей

5 уроков
1. Введение ↗
2. Learned Features [CNN] Визуализация карт активации ↗
3. Learned Features [CNN] Network Dissection ↗
4. Learned Features [CNN]: Практика ↗
5. Gradient-based explainability | Saliency Maps ↗

Большие языковые модели (Large Language Models)

3 урока
1. Введение в LLM ↗
2. Обзор некоторых архитектур ↗
3. Запускаем LLM ↗

PEFT

2 урока
1. PEFT ↗
2. Домашнее задание ↗

Графовые нейронные сети

3 урока
1. Введение в графовые нейронные сети ↗
2. Некоторые архитектуры GNN ↗
3. Практический запуск GNN ↗

Deep Learning для звука: введение в домен

3 урока
1. Хранение звука в компьютере ↗
2. Базовые характеристики звука ↗
3. Преобразование Фурье и Спектрограммы ↗

DL для звука: задачи и модели

4 урока
1. Стандартные задачи на аудио ↗
2. Задачи работы со звуком: Audio-to-Audio ↗
3. Audio-visual задачи ↗
4. Audio-Tasks: тест на понимание области ↗

Обучение с подкреплением

1 урок
1. Reinforcement Learning ↗

Итоговый модуль курса

1 урок
1. Итог ↗