Содержание пакета (4 курса)
1. Super Resolution: Основы и Практика 5.0
1. Организация курса
4 урока
👁
424
👤
258
Закрытый
1.1
О курсе
↗
122
85
1м
1
Закрытый
1.2
Инструменты
↗
105
88
1м
0
Закрытый
1.3
Глоссарий
↗
97
77
1м
3
Закрытый
1.4
Тест по DL
↗
100
8
9м
0
2. Описание задачи
2 урока
👁
350
👤
67
Открытый
2.1
Проблематика
↗
268
60
7м
5
Закрытый
2.2
Данные
↗
82
7
8м
1
3. Архитектуры
5 уроков
👁
324
👤
68
Закрытый
3.1
Описание
↗
63
40
1м
0
Закрытый
3.2
CNN
↗
73
7
5м
1
Закрытый
3.3
GAN
↗
71
8
2м
0
Закрытый
3.4
Transformer
↗
63
8
1м
2
Закрытый
3.5
Diffusion
↗
54
5
2м
0
4. Метрики
1 урок
👁
57
👤
19
Закрытый
4.1
Метрики
↗
57
19
6м
0
5. Методы ускорения DL моделей
2 урока
👁
100
👤
41
Закрытый
5.1
Описание
↗
52
23
1м
0
Закрытый
5.2
Методы ускорения
↗
48
18
6м
2
6. Kaggle
1 урок
👁
88
👤
32
Закрытый
6.1
Соревнование
↗
88
32
0м
0
7. Завершение курса
1 урок
👁
56
👤
12
Закрытый
7.1
Что дальше?
↗
56
12
1м
0
8. Полезные материалы
1 урок
👁
46
👤
23
Закрытый
8.1
Материалы
↗
46
23
0м
0
2. Генеративные модели компьютерного зрения
1. О курсе
2 урока
👁
70
👤
47
Закрытый
1.1
О курсе
↗
42
22
2м
0
Закрытый
1.2
Тест по Deep Learning и классическим моделям Computer Vision
↗
28
25
4м
0
2. Автокодировщики и генеративно-состязательные модели
6 уроков
👁
124
👤
87
Закрытый
2.1
Генерация изображений: описание и подходы
↗
28
19
5м
7
Закрытый
2.2
Введение в основы Generative Adversarial Networks
↗
22
15
26м
0
Закрытый
2.3
Особенности обучения GAN и примеры использования архитектуры
↗
23
15
41м
1
Закрытый
2.4
Разбор архитектур (StyleGAN, etc.)
↗
19
12
40м
0
Закрытый
2.5
Введение в автокодировщики и практика
↗
16
12
9м
0
Закрытый
2.6
Практика
↗
16
14
31м
11
3. Хаки для обучения моделей
4 урока
👁
64
👤
41
Закрытый
3.1
Ускорение и стабилизация процесса обучения
↗
19
10
50м
1
Закрытый
3.2
Flash Attention и Layer fusing
↗
15
12
25м
1
Закрытый
3.3
Квантизация и точность
↗
16
10
22м
0
Закрытый
3.4
Проверка хаков в коде
↗
14
9
42м
0
4. Вариационные автокодировщики и нормализационные потоки
6 уроков
👁
822
👤
603
Закрытый
4.1
Вариационные автокодировщики
↗
521
458
10м
12
Закрытый
4.2
Погружение в VAE
↗
15
8
46м
0
Закрытый
4.3
VQ-VAE, VQ-VAE2
↗
12
6
37м
0
Открытый
4.4
Нормализационные потоки
↗
247
123
3м
5
Закрытый
4.5
Еще немного NF и практика
↗
12
7
37м
0
Закрытый
4.6
Домашнее задание
↗
15
1
0м
0
5. Диффузионные модели
4 урока
👁
21
👤
3
Закрытый
5.1
Введение в диффузионные модели
↗
7
0
28м
0
Закрытый
5.2
Обучение диффузионной модели и ее архитектура
↗
6
1
47м
0
Закрытый
5.3
Различные диффузионные модели
↗
4
1
11м
0
Закрытый
5.4
Практика по диффузии
↗
4
1
29м
0
6. Мультимодальные модели
4 урока
👁
24
👤
24
Закрытый
6.1
Что такое мультимодальность?
↗
10
10
0м
0
Закрытый
6.2
CLIP
↗
6
6
0
Закрытый
6.3
Zero- и Few-shot подходы. Промптинг.
↗
4
4
0
Закрытый
6.4
BLIP
↗
4
4
0
7. Устройство современных генеративных моделей
6 уроков
👁
11
👤
11
Закрытый
7.1
Обзор генеративных архитектур современности
↗
1
1
0
Закрытый
7.2
Stable Diffusion
↗
1
1
0
Закрытый
7.3
Janus Pro: описание инноваций и запуск модели от DeepSeek
↗
2
2
0
Закрытый
7.4
Honourable mentions
↗
3
3
0
Закрытый
7.5
Промптинг моделей генерации изображений
↗
2
2
0
Закрытый
7.6
Обзор методов fine-tuning
↗
2
2
0
8. Итоговое задание курса
1 урок
👁
3
👤
3
Закрытый
8.1
Итоговое задание курса
↗
3
3
0
3. Практический Deep Learning 4.895
1. Организация курса
2 урока
👁
1 889
👤
1 148
Закрытый
1.1
Программа курса
↗
888
292
1м
22
Закрытый
1.2
Тест по машинному обучению
↗
1 001
856
3м
12
2. Полносвязные нейронные сети
4 урока
👁
6 195
👤
3 279
Открытый
2.1
Мотивация использования нейронных сетей, полносвязные сети
↗
2 082
926
19м
60
Открытый
2.2
Примеры использования нейронных сетей
↗
1 346
889
6м
41
Открытый
2.3
Полносвязные сети. Функции активации
↗
1 434
772
16м
35
Открытый
2.4
Домашнее задание - 1
↗
1 333
692
13м
21
3. Обучение нейронных сетей
7 уроков
👁
9 418
👤
7 307
Закрытый
3.1
Обучение нейронных сетей
↗
822
769
2м
25
Закрытый
3.2
Градиентный спуск для функции одной переменной
↗
2 611
1 537
21м
94
Закрытый
3.3
Градиентный спуск в общем случае
↗
1 994
1 465
26м
68
Закрытый
3.4
Стохастический градиентный спуск
↗
1 699
1 589
8м
61
Закрытый
3.5
Модификации градиентного спуска
↗
769
690
8м
23
Закрытый
3.6
Метод обратного распространения ошибки
↗
763
703
5м
14
Закрытый
3.7
Домашнее задание - 2
↗
760
554
24м
12
4. Введение в PyTorch
3 урока
👁
2 163
👤
1 146
Закрытый
4.1
Знакомство с PyTorch
↗
229
180
7м
3
Закрытый
4.2
Нейронные сети в PyTorch
↗
763
199
21м
39
Закрытый
4.3
Домашнее задание - 3
↗
1 171
767
20м
23
5. Ускорение обучения и снижение переобучения
5 уроков
👁
3 402
👤
3 088
Закрытый
5.1
Препроцессинг данных и инициализация весов
↗
704
640
7м
26
Закрытый
5.2
Ограничения на веса
↗
671
634
3м
21
Закрытый
5.3
DropOut
↗
669
629
4м
22
Закрытый
5.4
Batch and Layer Normalisation
↗
699
640
6м
18
Закрытый
5.5
Домашнее задание - 4
↗
659
545
33м
16
6. Основы компьютерного зрения
4 урока
👁
2 602
👤
2 096
Закрытый
6.1
Введение в компьютерное зрение
↗
680
620
10м
21
Закрытый
6.2
Классические архитектуры компьютерного зрения
↗
665
405
33м
26
Закрытый
6.3
Паддинг и аугментации
↗
643
573
28м
25
Закрытый
6.4
Домашнее задание - 5
↗
614
498
6м
4
7. Современное компьютерное зрение
3 урока
👁
1 841
👤
1 426
Закрытый
7.1
Современные задачи компьютерного зрения
↗
635
534
20м
20
Закрытый
7.2
Задача сегментации
↗
611
341
2м
7
Закрытый
7.3
Pose estimation и генерация изображений
↗
595
551
2м
5
8. Основы обработки естественного языка
3 урока
👁
1 916
👤
1 540
Закрытый
8.1
Word2vec
↗
652
484
12м
15
Закрытый
8.2
Детали word2vec и вариации алгоритма
↗
617
560
5м
11
Закрытый
8.3
Домашнее задание - 6
↗
647
496
9м
10
9. Рекуррентные нейронные сети
3 урока
👁
1 800
👤
1 423
Закрытый
9.1
Рекуррентные нейронные сети
↗
630
545
4м
12
Закрытый
9.2
Модификации RNN
↗
586
533
5м
14
Закрытый
9.3
Практика RNN
↗
584
345
34м
2
10. Attention
3 урока
👁
1 849
👤
1 665
Закрытый
10.1
Механизм внимания (attention) и self-attention
↗
651
574
7м
18
Закрытый
10.2
Attention на практике
↗
606
535
71м
24
Закрытый
10.3
Тест по attention
↗
592
556
2м
5
11. Трансформеры: теория
3 урока
👁
1 754
👤
1 574
Закрытый
11.1
Архитектура трансформеров
↗
611
529
5м
15
Закрытый
11.2
Batch and Layer Normalisation
↗
570
512
2м
11
Закрытый
11.3
Тест по трансформерам
↗
573
533
2м
8
12. Трансформеры: практика
2 урока
👁
1 138
👤
536
Закрытый
12.1
Трансформеры в Python
↗
587
469
25м
17
Закрытый
12.2
Домашнее задание - 7
↗
551
67
17м
6
13. Вопросы с собеседований
3 урока
👁
1 667
👤
1 226
Закрытый
13.1
Базовый уровень
↗
612
473
2м
6
Закрытый
13.2
Средний уровень
↗
530
427
6м
3
Закрытый
13.3
Продвинутый уровень
↗
525
326
8м
4
14. Классические генеративные модели в Computer Vision
4 урока
👁
2 075
👤
1 583
Закрытый
14.1
Задача генерации изображений: описание и подходы
↗
552
482
4м
10
Закрытый
14.2
Автокодировщики
↗
522
453
13м
15
Закрытый
14.3
Вариационные автокодировщики
↗
521
458
10м
12
Закрытый
14.4
Домашнее задание - 8
↗
480
190
17м
7
15. Современные генеративные модели Computer Vision
4 урока
👁
2 005
👤
1 284
Закрытый
15.1
Генеративно-состязательные сети
↗
527
280
19м
15
Закрытый
15.2
Диффузионные модели
↗
508
449
4м
10
Закрытый
15.3
Что есть еще?
↗
499
436
2м
7
Закрытый
15.4
Домашнее задание - 9
↗
471
119
11м
4
16. Методы оптимизации нейронных сетей
4 урока
👁
1 998
👤
1 424
Закрытый
16.1
Зачем что-то оптимизировать?
↗
533
417
8м
9
Закрытый
16.2
Дистилляция и квантизация
↗
516
462
3м
10
Закрытый
16.3
Практика и обзор продвинутых методов оптимизации
↗
502
433
12м
12
Закрытый
16.4
Домашнее задание - 10
↗
447
112
20м
5
4. Современное компьютерное зрение 5.0
1. О курсе
3 урока
👁
241
👤
172
Закрытый
1.1
О курсе
↗
86
68
1м
6
Закрытый
1.2
Тест по Deep Learning
↗
80
60
4м
2
Закрытый
1.3
Тест по PyTorch
↗
75
44
5м
3
2. Классические методы Computer Vision
8 уроков
👁
1 119
👤
447
Открытый
2.1
Основы обработки изображений: фильтры и свертки
↗
325
82
29м
6
Открытый
2.2
Операторы градиента: Лаплас, Собель, Канни
↗
266
68
42м
4
Открытый
2.3
Бинаризация и трешхолдинг (Otsu, адаптивный порог)
↗
224
62
21м
2
Закрытый
2.4
Методы выделения признаков: SIFT и другие
↗
65
52
30м
-1
Закрытый
2.5
HOG: гистограммы направленных градиентов
↗
64
49
22м
5
Закрытый
2.6
Поиск и сопоставление ключевых точек
↗
59
46
17м
1
Закрытый
2.7
Преобразование Хафа и обнаружение геометрических фигур
↗
59
44
7м
0
Закрытый
2.8
Пространственные преобразования: аффинные и перспективные
↗
57
44
5м
1
3. CNN и первые архитектуры
6 уроков
👁
345
👤
247
Закрытый
3.1
Основы сверточных нейронных сетей: ядра, фильтры, пуллинги
↗
61
49
31м
-1
Закрытый
3.2
Архитектура LeNet: первые шаги в CV с использованием CNN
↗
58
47
9м
2
Закрытый
3.3
AlexNet: особенности и влияние на развитие глубокого обучения
↗
55
46
23м
0
Закрытый
3.4
VGG: глубокие сети с фиксированными свертками
↗
55
45
16м
2
Закрытый
3.5
ResNet: идея резидуальных связей для решения проблемы исчезающих
↗
54
42
71м
5
Закрытый
3.6
Домашнее задание
↗
62
18
0м
0
4. Современные архитектуры CV
5 уроков
👁
235
👤
156
Закрытый
4.1
ViT (Vision Transformer): альтернатива CNN
↗
52
39
44м
-2
Закрытый
4.2
MobileNet: легковесные модели для мобильных устройств
↗
45
33
25м
0
Закрытый
4.3
EfficientNet и EfficientNetV2: масштабируемость и оптимизация
↗
44
31
34м
1
Закрытый
4.4
Практика: аугментации и MBConv
↗
44
39
42м
0
Закрытый
4.5
Домашнее задание
↗
50
14
8м
0
5. Детекция
6 уроков
👁
274
👤
169
Закрытый
5.1
Основы задачи детекции и Non-Maximum Suppression
↗
52
32
27м
3
Закрытый
5.2
RCNN: архитектура и эволюция (Fast RCNN, Faster RCNN)
↗
41
30
25м
3
Закрытый
5.3
YOLOv1
↗
47
33
30м
2
Закрытый
5.4
Современные подходы к детекции: YOLO11 и более новые версии
↗
44
25
39м
1
Закрытый
5.5
Детекция на практике
↗
46
40
30м
1
Закрытый
5.6
Домашнее задание
↗
44
9
1м
0
6. Сегментация
7 уроков
👁
236
👤
173
Закрытый
6.1
Задача сегментации
↗
41
28
23м
1
Закрытый
6.2
U-Net: идея и применение в медицинских изображениях
↗
38
29
17м
0
Закрытый
6.3
Deeplab и его разновидности: адаптация к различным уровням разре
↗
30
23
7м
-2
Закрытый
6.4
Mask R-CNN: объединение детекции и сегментации
↗
28
23
9м
0
Закрытый
6.5
Segment Anything Model (SAM): универсальная модель сегментации
↗
33
24
32м
3
Закрытый
6.6
Практика по сегментации
↗
31
30
26м
1
Закрытый
6.7
Домашнее задание (тестирование)
↗
35
16
4м
0
7. Трекинг и работа с видеопотоками
6 уроков
👁
183
👤
119
Закрытый
7.1
Задача трекинга и оценивание качества трекинга
↗
34
20
34м
0
Закрытый
7.2
Алгоритм трекинга
↗
28
21
41м
2
Закрытый
7.3
Работа с видеопотоками. FFMpeg: чтение, запись, сжатие видео
↗
29
20
13м
1
Закрытый
7.4
Gstreamer: организация сложных видео- и аудиопайплайнов
↗
32
17
37м
1
Закрытый
7.5
Практика: захват видео с камер в реальном времени
↗
29
26
43м
0
Закрытый
7.6
Тест по последнему занятию
↗
31
15
1м
0
8. Итоговый проект курса
1 урок
👁
56
👤
6
Закрытый
8.1
Итоговый проект курса
↗
56
6
10м
1
9. Дополнительно: библиотека OpenCV
1 урок
👁
22
👤
22
Закрытый
9.1
Установка библиотеки. Загрузка и вывод изображений
↗
22
22
0м
0
10. Дополнительно: фреймворк FastAPI
3 урока
👁
97
👤
59
Закрытый
10.1
Аннотации типов в Python
↗
36
29
57м
0
Закрытый
10.2
Практика с FastAPI
↗
34
18
86м
0
Закрытый
10.3
Библиотека Pydantic
↗
27
12
72м
0