Stepik [АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток
О курсе
Подробнее
Описание курса
Школа глубокого обучения (Deep Learning School) – учебная организация на базе Физтех-школы прикладной математики и информатики Московского физико-технического института. Мы занимаемся разработкой курсов по искусственному интеллекту для школьников и студентов, интересующихся программированием и математикой. Занятия ведут преподаватели, выпускники и студенты ФПМИ МФТИ.
Цель этого курса – познакомить слушателей с теорией и практикой глубокого обучения и нейронных сетей в интерактивном формате.
В течение курса вам будет предложено несколько практических заданий. Последним заданием является итоговый практический проект.
По итогам курса будет выдан сертификат об окончании школы, дающий льготы при поступлении в бакалавриат и магистратуру ФПМИ МФТИ.
Базовый поток предназначен для тех, кто делает первые шаги в Data Science. Значительная часть курса отведена повторению языка Python, библиотекам анализа данных и математике для Data Science.
Во второй половине мы поговорим об общей теории нейронных сетей, а также о нейронных сетях в компьютерном зрении.
Форма регистрации на курс. Анкету необходимо заполнить для получения диплома.
Примерная программа курса
Наш сайт: dls.samcs.ru
FAQ
Наша группа ВК
Чат в TG: @dls_spring2023_basic
Требования
Что нужно для старта
- Владение языком Python и отличное знание школьной математики
Результат
Что вы получите
- Применять алгоритмы машинного обучения для решения практических задач анализа данных на языке Python
- Строить полносвязные и сверточные нейронные сети для задач компьютерного зрения с помощью фреймворка Pytorch
- Встраивать нейросетевые модели в простейшие продукты (tg-боты, web-демо)
Аудитория
Для кого этот курс
- Школьники 9-11 класса, занимающиеся математикой и программированием; студенты и выпускники технических вузов
Содержание
25 занятийПрограмма курса
№ТемаЧто внутри
01Организационная информация
- О нас
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
- Инструменты курса
03Введение в язык Python
- Семинар. Введение в Python. Владимир Гончаров
04Домашнее задание. Язык Python
- Домашнее задание. Основы Python
05Линейная алгебра. Библиотеки Numpy и Matplotlib
- Лекция. Линейная алгебра для Data Science. Юрий Яровиков
- Семинар. Библиотека Numpy. Артём Ямалутдинов
- Текстовый материал. Библиотека Matplotlib
06Домашнее задание. Numpy и линейная алгебра
- Домашнее задание. Numpy и линейная алгебра
07Библиотека Pandas
- Семинар. Библиотека Pandas. Артём Ямалутдинов
08Домашнее задание. Библиотека Pandas
- Домашнее задание: Библиотека pandas
09Производная, градиент и оптимизация
- Лекция. Производная, градиент и оптимизация. Аркадий Боков
10Домашнее задание. Градиентная оптимизация
- Домашнее задание. Градиентная оптимизация
11Основы машинного обучения
- Лекция. Введение в машинное обучение. Григорий Лелейтнер
- Семинар. Библиотека sklearn. Григорий Лелейтнер
12Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
13Линейные модели
- Лекция. Линейные модели. Григорий Лелейтнер
- Семинар. Линейные модели. Артем Ямалутдинов
14Домашнее задание. Линейные модели и методы оптимизации
- Домашнее задание. Линейные модели и методы оптимизации
15Композиции алгоритмов и выбор модели
- Допматериал. Метрики машинного обучения. Юрий Яровиков
- Решающие деревья и композиции алгоритмов. Юрий Яровиков
- Семинар. Выбор моделей и цикл разработки. Аркадий Боков
16Домашнее задание. Решение ML-задачи и Kaggle
- Домашнее задание. Конкурс на kaggle.com
17Введение в нейронные сети
- Лекция. Введение в нейронные сети. Радослав Нейчев
- Семинар. Введение в библиотеку Pytorch. Александр Миленькин
18Сверточные нейросети
- Лекция. Сверточные нейросети. Татьяна Гайнцева
- Семинар. Модули в PyTorch и CNN. Артем Ямалутдинов
19Домашнее задание. Сверточные и полносвязные нейросети
- Домашнее задание. Сверточные и полносвязные нейросети
20Продвинутое обучение нейросетей
- Лекция. Продвинутое обучение нейронных сетей. Радослав Нейчев
- Семинар. Продвинутое обучение нейросетей. Григорий Лелейтнер
21Классификация изображений
- Лекция. Классификация изображений. Татьяна Гайнцева
- Семинар. Transfer Learning. Никита Балаганский
22Домашнее задание. Классификация изображений
- Домашнее задание. Классификация Симпсонов
23Семантическая сегментация
- Лекция. Семантическая сегментация. Татьяна Гайнцева
24Домашнее задание. Семантическая сегментация
- Домашнее задание. Сегментация изображений
25Итоговый проект
- Итоговый проект. Описание и форма сдачи
01Организационная информация
- О нас
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
- Инструменты курса
03Введение в язык Python
- Семинар. Введение в Python. Владимир Гончаров
04Домашнее задание. Язык Python
- Домашнее задание. Основы Python
05Линейная алгебра. Библиотеки Numpy и Matplotlib
- Лекция. Линейная алгебра для Data Science. Юрий Яровиков
- Семинар. Библиотека Numpy. Артём Ямалутдинов
- Текстовый материал. Библиотека Matplotlib
06Домашнее задание. Numpy и линейная алгебра
- Домашнее задание. Numpy и линейная алгебра
07Библиотека Pandas
- Семинар. Библиотека Pandas. Артём Ямалутдинов
08Домашнее задание. Библиотека Pandas
- Домашнее задание: Библиотека pandas
09Производная, градиент и оптимизация
- Лекция. Производная, градиент и оптимизация. Аркадий Боков
10Домашнее задание. Градиентная оптимизация
- Домашнее задание. Градиентная оптимизация
11Основы машинного обучения
- Лекция. Введение в машинное обучение. Григорий Лелейтнер
- Семинар. Библиотека sklearn. Григорий Лелейтнер
12Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
13Линейные модели
- Лекция. Линейные модели. Григорий Лелейтнер
- Семинар. Линейные модели. Артем Ямалутдинов
14Домашнее задание. Линейные модели и методы оптимизации
- Домашнее задание. Линейные модели и методы оптимизации
15Композиции алгоритмов и выбор модели
- Допматериал. Метрики машинного обучения. Юрий Яровиков
- Решающие деревья и композиции алгоритмов. Юрий Яровиков
- Семинар. Выбор моделей и цикл разработки. Аркадий Боков
16Домашнее задание. Решение ML-задачи и Kaggle
- Домашнее задание. Конкурс на kaggle.com
17Введение в нейронные сети
- Лекция. Введение в нейронные сети. Радослав Нейчев
- Семинар. Введение в библиотеку Pytorch. Александр Миленькин
18Сверточные нейросети
- Лекция. Сверточные нейросети. Татьяна Гайнцева
- Семинар. Модули в PyTorch и CNN. Артем Ямалутдинов
19Домашнее задание. Сверточные и полносвязные нейросети
- Домашнее задание. Сверточные и полносвязные нейросети
20Продвинутое обучение нейросетей
- Лекция. Продвинутое обучение нейронных сетей. Радослав Нейчев
- Семинар. Продвинутое обучение нейросетей. Григорий Лелейтнер
21Классификация изображений
- Лекция. Классификация изображений. Татьяна Гайнцева
- Семинар. Transfer Learning. Никита Балаганский
22Домашнее задание. Классификация изображений
- Домашнее задание. Классификация Симпсонов
23Семантическая сегментация
- Лекция. Семантическая сегментация. Татьяна Гайнцева
24Домашнее задание. Семантическая сегментация
- Домашнее задание. Сегментация изображений
25Итоговый проект
- Итоговый проект. Описание и форма сдачи
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «[АРХИВ] Deep Learning (семестр 1, весна 2023): базовый поток» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Информация обновлена 7 сентября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![Deep Learning (семестр 1, осень 2025) [АРХИВ]](https://cdn.stepik.net/media/cache/images/courses/250969/cover_3ghM7i5/aab82cc6ba6ad93120824913eeaab261.jpg)
