Сколько стоит курс «Теоретические основы искусственного интеллекта»?

Курс «Теоретические основы искусственного интеллекта» доступен бесплатно.

Сколько времени занимает прохождение курса «Теоретические основы искусственного интеллекта»?

Прохождение курса «Теоретические основы искусственного интеллекта» занимает примерно 5 часов.

Какой рейтинг у курса «Теоретические основы искусственного интеллекта»?

Курс имеет рейтинг 4.0 из 5 на основе 3 отзывов. На курсе обучается 1 114 учеников.

Где можно пройти курс «Теоретические основы искусственного интеллекта»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/133195.

Курс на Stepik

Обложка курса «Теоретические основы искусственного интеллекта» на Stepik

Бесплатно

Теоретические основы искусственного интеллекта ★ 4.000

Name: Теоретические основы искусственного интеллекта
Availability: InStock
Rating: 4.0 (3 reviews)

Открыть на
STEPIK.ORG

Курс разработан в рамках проекта, реализуемого победителем грантового конкурса для преподавателей магистратуры 2021/2022 Стипендиальной программы Владимира Потанина. Рассмотрены принципы построения полносвязных и сверточных моделей нейронных сетей (НС) и их применение для задач классификации изображений, начиная с подготовки данных. Особое внимание уделено оценке качества модели НС; применению предобученных моделей; генерации текста и изображений с помощью НС; участию в соревнованиях на платформе Kaggle.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	1 114
Сертификатов выдано	0
Отзывов получено	3
Рейтинг курса	4.000
Количество уроков	53
Количество квизов	235
Количество задач с кодом	30
Время прохождения курса	5 ч.	—
Обновления курса	—	—
Дата публикации курса	3 года назад	—	—	—	—
Последнее обновление	29 апреля 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание курса

Разделы в курсе «Теоретические основы искусственного интеллекта»

9 разделов Уроки в курсе «Теоретические основы искусственного интеллекта»

53 урока Тесты в курсе «Теоретические основы искусственного интеллекта»

235 тестов Задачи в курсе «Теоретические основы искусственного интеллекта»

30 задач Время прохождения курса «Теоретические основы искусственного интеллекта»

5 ч.

обн. 29 апреля 2026

Введение

3 урока

1. О проекте ↗

2. Некоторые особенности обучения, самообучения ↗

3. Марафон ↗

Математические основы нейронных сетей

10 уроков

1. Colaboratory и кое-что из Python ↗

2. Тензор ↗

3. Манипулирование тензорами ↗

4. Примеры тензоров с данными ↗

5. Операции с тензорами ↗

6. Функции активации и потерь ↗

7. Оптимизация на основе градиента ↗

8. Задачи для повторения ↗

9. Задачи среднего уровня (оценка: хорошо) ↗

10. Задачи высокого уровня (оценка: отлично) ↗

Подготовка данных для нейронных сетей

7 уроков

1. Основные понятия ↗

2. Работа с ноутбуком "Подготовка данных для НС.ipynb" ↗

3. Работа с ноутбуком "Подготовка датасета с помощью срезов.ipynb" ↗

4. Аугментация данных ↗

5. Задачи для повторения ↗

6. Задачи среднего уровня (оценка: хорошо) ↗

7. Задачи высокого уровня (оценка: отлично) ↗

Построение модели нейронной сети

8 уроков

1. Основные понятия ↗

2. Разработка модели ↗

3. Регуляризация модели и настройка ее гиперпараметров ↗

4. Задача классификации ↗

5. Задача регрессии ↗

6. Задачи для повторения ↗

7. Задачи среднего уровня (оценка: хорошо) ↗

8. Задачи высокого уровня (оценка: отлично) ↗

Глубокое обучение в технологиях компьютерного зрения

6 уроков

1. Сверточные нейронные сети ↗

2. Визуализация сверточной нейронной сети ↗

3. Предварительно обученная сверточная нейронная сеть ↗

4. Задачи для повторения ↗

5. Задачи среднего уровня (оценка: хорошо) ↗

6. Задачи высокого уровня (оценка: отлично) ↗

A Confusion Matrix / Матрица ошибок

6 уроков

1. Теория ↗

2. Матрица ошибок для бинарной классификации ↗

3. Матрица ошибок для мультиклассовой классификации ↗

4. Задачи для повторения ↗

5. Задачи среднего уровня (оценка: хорошо) ↗

6. Задачи высокого уровня (оценка: отлично) ↗

Соревнования на платформе Kaggle

4 урока

1. Распознавание рукописных цифр MNIST. Модель Dense. ↗

2. Распознавание рукописных цифр MNIST. Модель CNN. ↗

3. Классификация кошек собак. Dogs vs. Cats. ↗

4. Классификация грязных и чистых тарелок Dirty vs Cleaned ↗

Генеративное глубокое обучение

8 уроков

1. Генерирование текста с помощью LSTM ↗

2. DeepDream ↗

3. Нейронная передача стиля ↗

4. Генерирование изображений с вариационными автокодировщиками ↗

5. Генеративно-состязательные сети ↗

6. Задачи для повторения ↗

7. Задачи среднего уровня (оценка: хорошо) ↗

8. Задачи высокого уровня (оценка: отлично) ↗

AutoML

1 урок

1. Концепция автоматического машинного обучения ↗