Содержание пакета (4 курса)
1. Super Resolution: Основы и Практика 5.00
Организация курса
4 урока
1.
О курсе
↗
2.
Инструменты
↗
3.
Глоссарий
↗
4.
Тест по DL
↗
Описание задачи
2 урока
1.
Проблематика
↗
2.
Данные
↗
Архитектуры
5 уроков
1.
Описание
↗
2.
CNN
↗
3.
GAN
↗
4.
Transformer
↗
5.
Diffusion
↗
Метрики
1 урок
1.
Метрики
↗
Методы ускорения DL моделей
2 урока
1.
Описание
↗
2.
Методы ускорения
↗
Kaggle
1 урок
1.
Соревнование
↗
Завершение курса
1 урок
1.
Что дальше?
↗
Полезные материалы
1 урок
1.
Материалы
↗
2. Генеративные модели компьютерного зрения
О курсе
2 урока
1.
О курсе
↗
2.
Тест по Deep Learning и классическим моделям Computer Vision
↗
Автокодировщики и генеративно-состязательные модели
6 уроков
1.
Генерация изображений: описание и подходы
↗
2.
Введение в основы Generative Adversarial Networks
↗
3.
Особенности обучения GAN и примеры использования архитектуры
↗
4.
Разбор архитектур (StyleGAN, etc.)
↗
5.
Введение в автокодировщики и практика
↗
6.
Практика
↗
Хаки для обучения моделей
4 урока
1.
Ускорение и стабилизация процесса обучения
↗
2.
Flash Attention и Layer fusing
↗
3.
Квантизация и точность
↗
4.
Проверка хаков в коде
↗
Вариационные автокодировщики и нормализационные потоки
6 уроков
1.
Вариационные автокодировщики
↗
2.
Погружение в VAE
↗
3.
VQ-VAE, VQ-VAE2
↗
4.
Нормализационные потоки
↗
5.
Еще немного NF и практика
↗
6.
Домашнее задание
↗
Диффузионные модели
4 урока
1.
Введение в диффузионные модели
↗
2.
Обучение диффузионной модели и ее архитектура
↗
3.
Различные диффузионные модели
↗
4.
Практика по диффузии
↗
Мультимодальные модели
4 урока
1.
Что такое мультимодальность?
↗
2.
CLIP
↗
3.
Zero- и Few-shot подходы. Промптинг.
↗
4.
BLIP
↗
Устройство современных генеративных моделей
6 уроков
1.
Обзор генеративных архитектур современности
↗
2.
Stable Diffusion
↗
3.
Janus Pro: описание инноваций и запуск модели от DeepSeek
↗
4.
Honourable mentions
↗
5.
Промптинг моделей генерации изображений
↗
6.
Обзор методов fine-tuning
↗
Итоговое задание курса
1 урок
1.
Итоговое задание курса
↗
3. Практический Deep Learning 4.86
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
↗
4. Современное компьютерное зрение
О курсе
3 урока
1.
О курсе
↗
2.
Тест по Deep Learning
↗
3.
Тест по PyTorch
↗
Классические методы Computer Vision
8 уроков
1.
Основы обработки изображений: фильтры и свертки
↗
2.
Операторы градиента: Лаплас, Собель, Канни
↗
3.
Бинаризация и трешхолдинг (Otsu, адаптивный порог)
↗
4.
Методы выделения признаков: SIFT и другие
↗
5.
HOG: гистограммы направленных градиентов
↗
6.
Поиск и сопоставление ключевых точек
↗
7.
Преобразование Хафа и обнаружение геометрических фигур
↗
8.
Пространственные преобразования: аффинные и перспективные
↗
CNN и первые архитектуры
6 уроков
1.
Основы сверточных нейронных сетей: ядра, фильтры, пуллинги
↗
2.
Архитектура LeNet: первые шаги в CV с использованием CNN
↗
3.
AlexNet: особенности и влияние на развитие глубокого обучения
↗
4.
VGG: глубокие сети с фиксированными свертками
↗
5.
ResNet: идея резидуальных связей для решения проблемы исчезающих
↗
6.
Домашнее задание
↗
Современные архитектуры CV
5 уроков
1.
ViT (Vision Transformer): альтернатива CNN
↗
2.
MobileNet: легковесные модели для мобильных устройств
↗
3.
EfficientNet и EfficientNetV2: масштабируемость и оптимизация
↗
4.
Практика: аугментации и MBConv
↗
5.
Домашнее задание
↗
Детекция
6 уроков
1.
Основы задачи детекции и Non-Maximum Suppression
↗
2.
RCNN: архитектура и эволюция (Fast RCNN, Faster RCNN)
↗
3.
YOLOv1
↗
4.
Современные подходы к детекции: YOLO11 и более новые версии
↗
5.
Детекция на практике
↗
6.
Домашнее задание
↗
Сегментация
7 уроков
1.
Задача сегментации
↗
2.
U-Net: идея и применение в медицинских изображениях
↗
3.
Deeplab и его разновидности: адаптация к различным уровням разре
↗
4.
Mask R-CNN: объединение детекции и сегментации
↗
5.
Segment Anything Model (SAM): универсальная модель сегментации
↗
6.
Практика по сегментации
↗
7.
Домашнее задание (тестирование)
↗
Трекинг и работа с видеопотоками
6 уроков
1.
Задача трекинга и оценивание качества трекинга
↗
2.
Алгоритм трекинга
↗
3.
Работа с видеопотоками. FFMpeg: чтение, запись, сжатие видео
↗
4.
Gstreamer: организация сложных видео- и аудиопайплайнов
↗
5.
Практика: захват видео с камер в реальном времени
↗
6.
Тест по последнему занятию
↗
Итоговый проект курса
1 урок
1.
Итоговый проект курса
↗
Дополнительно: библиотека OpenCV
1 урок
1.
Установка библиотеки. Загрузка и вывод изображений
↗
Дополнительно: фреймворк FastAPI
3 урока
1.
Аннотации типов в Python
↗
2.
Практика с FastAPI
↗
3.
Библиотека Pydantic
↗