Stepik [АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток
О курсе
Подробнее
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.
Продвинутый поток предназначен для тех, кто уже имеет значительный опыт программирования на Python, а также уверенно знает школьную и вузовскую математику, знаком с библиотеками для работы с данными (numpy, pandas, matplitlib).
Мы поговорим об общей теории нейронных сетей, а также о нейронных сетях в компьютерном зрении.
Форма регистрации на курс. Необходимо заполнить для получения диплома.
Примерная программа курса
Наш сайт: dls.samcs.ru
FAQ
Наша группа ВК
Чат в TG: @dls_spring2023_advanced
Требования
Что нужно для старта
- владение языком Python
- владение библиотеками для анализа данных в Python
- знание вузовской программы высшей математики (основы матричного исчисления, базовые понятия математического анализа и теории вероятностей)
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
- Решать современные задачи компьютерного зрения с помощью продвинутых нейросетевых архитектур
- Встраивать нейросетевые модели в простейшие продукты (tg-боты, web-демо)
Аудитория
Для кого этот курс
- Старшеклассники физико-математических школ, студенты и выпускники технических вузов
Содержание
22 занятияПрограмма курса
№ТемаЧто внутри
01Организационная информация
- О нас
- Инструменты курса. Jupyter и Google Colab
- Дополнительные материалы для самостоятельного освоения
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
03Основы машинного обучения
- Лекция. Введение в машинное обучение. Григорий Лелейтнер
- Семинар. Библиотека sklearn. Григорий Лелейтнер
04Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
05Линейные модели
- Лекция. Линейные модели. Григорий Лелейтнер
- Семинар. Линейные модели. Артем Ямалутдинов
06Домашнее задание. Линейные модели и методы оптимизации
- Домашнее задание. Линейные модели и методы оптимизации
07Композиции 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
08Домашнее задание. Решение ML-задачи и Kaggle
- Домашнее задание. Конкурс на kaggle.com
09Введение в нейронные сети
- Лекция. Введение в нейронные сети. Радослав Нейчев
- Семинар. Введение в библиотеку Pytorch. Александр Миленькин
10Сверточные нейросети
- Лекция. Сверточные нейросети. Татьяна Гайнцева
- Семинар. Модули в PyTorch и CNN. Артем Ямалутдинов
11Домашнее задание. Сверточные и полносвязные нейросети
- Домашнее задание. Сверточные и полносвязные нейросети
12Продвинутое обучение нейросетей
- Лекция. Продвинутое обучение нейронных сетей. Радослав Нейчев
- Семинар. Продвинутое обучение нейросетей. Григорий Лелейтнер
13Классификация изображений
- Лекция. Классификация изображений. Татьяна Гайнцева
- Семинар. Transfer Learning. Никита Балаганский
14Домашнее задание. Классификация изображений
- Домашнее задание. Классификация Симпсонов
15Семантическая сегментация
- Лекция. Семантическая сегментация. Татьяна Гайнцева
16Домашнее задание. Сегментация изображений
- Домашнее задание. Сегментация изображений
17Детекция объектов на изображениях
- Лекция. Нейронная детекция объектов. Илья Захаркин
- Семинар. Нейронная детекция объектов. Илья Захаркин
18Генеративные модели и автоэнкодеры
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
- Семинар. Автоэнкодеры. Артём Ямалутдинов
19Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
20Генеративно-состязательные модели
- Лекция. Генеративно-состязательные модели. Никита Балаганский
- Семинар. Генеративно-состязательные модели. Артём Ямалутдинов
21Домашнее задание. Генеративно-состязательные модели
- Домашнее задание. Генеративно-состязательные модели
22Итоговый проект
- Итоговый проект. Описание и форма сдачи
01Организационная информация
- О нас
- Инструменты курса. Jupyter и Google Colab
- Дополнительные материалы для самостоятельного освоения
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
03Основы машинного обучения
- Лекция. Введение в машинное обучение. Григорий Лелейтнер
- Семинар. Библиотека sklearn. Григорий Лелейтнер
04Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
05Линейные модели
- Лекция. Линейные модели. Григорий Лелейтнер
- Семинар. Линейные модели. Артем Ямалутдинов
06Домашнее задание. Линейные модели и методы оптимизации
- Домашнее задание. Линейные модели и методы оптимизации
07Композиции 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
08Домашнее задание. Решение ML-задачи и Kaggle
- Домашнее задание. Конкурс на kaggle.com
09Введение в нейронные сети
- Лекция. Введение в нейронные сети. Радослав Нейчев
- Семинар. Введение в библиотеку Pytorch. Александр Миленькин
10Сверточные нейросети
- Лекция. Сверточные нейросети. Татьяна Гайнцева
- Семинар. Модули в PyTorch и CNN. Артем Ямалутдинов
11Домашнее задание. Сверточные и полносвязные нейросети
- Домашнее задание. Сверточные и полносвязные нейросети
12Продвинутое обучение нейросетей
- Лекция. Продвинутое обучение нейронных сетей. Радослав Нейчев
- Семинар. Продвинутое обучение нейросетей. Григорий Лелейтнер
13Классификация изображений
- Лекция. Классификация изображений. Татьяна Гайнцева
- Семинар. Transfer Learning. Никита Балаганский
14Домашнее задание. Классификация изображений
- Домашнее задание. Классификация Симпсонов
15Семантическая сегментация
- Лекция. Семантическая сегментация. Татьяна Гайнцева
16Домашнее задание. Сегментация изображений
- Домашнее задание. Сегментация изображений
17Детекция объектов на изображениях
- Лекция. Нейронная детекция объектов. Илья Захаркин
- Семинар. Нейронная детекция объектов. Илья Захаркин
18Генеративные модели и автоэнкодеры
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
- Семинар. Автоэнкодеры. Артём Ямалутдинов
19Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
20Генеративно-состязательные модели
- Лекция. Генеративно-состязательные модели. Никита Балаганский
- Семинар. Генеративно-состязательные модели. Артём Ямалутдинов
21Домашнее задание. Генеративно-состязательные модели
- Домашнее задание. Генеративно-состязательные модели
22Итоговый 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): продвинутый 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)
