Stepik О курсе
Подробнее
Цель курса: познакомить слушателей с основами области Deep Learning и дать им теоретическую и практическую базу для дальнейшнего изучения нейронных сетей.
Курс состоит из нескольких уроков, в каждом из которых рассказывается необходимая теория, подкрепленная примерами из практики. Также в большинстве уроков есть домашнее задание для закрепления пройденного материала.
В конце курса вас ждет модуль, в котором мы подготовим вас к ответам на вопросы с собеседований на позицию Data Scientist по темам курса.
Партнёр курса - Yandex Cloud
Yandex Cloud — облачная платформа, где каждый может создавать и совершенствовать свои цифровые сервисы, используя инфраструктуру и уникальные технологии Яндекса.
Студенты курса получат возможность бесплатно использовать мощности платформы Yandex Cloud для обучения.
Требования
Что нужно для старта
- Для успешного прохождения курса требуется знание машинного обучения, а также умение писать код на языке Python (в частности, необходимо знание концепции ООП).
Результат
Что вы получите
- Вы поймете зачем нужны нейронные сети
- Как устроены и обучаются полносвязные, сверточные и рекуррентные нейронные сети
- Узнаете о различных фреймворках для работы с нейронными сетями и научитесь использовать PyTorch для создания и обучения сетей
- Узнаете как работают трансформеры и причем здесь механизм внимания
- Подготовитесь отвечать на вопросы с собеседований на позицию Data Scientist по пройденным темам
Аудитория
Для кого этот курс
- Курс будет интересен слушателям, знакомым с областью машинного обучения и желающим начать фундаментально изучать глубинное обучение.
- Курс содержит необходимые знания для освоения следующих курсов, посвященных различным приложениям глубинного обучения ("Продвинутые методы глубинного обучения", "Генеративные модели" и другие).
Содержание
16 занятийПрограмма курса
№ТемаЧто внутри
01Организация курса
- Программа курса
- Тест по машинному обучению
02Полносвязные нейронные сети
- Мотивация использования нейронных сетей, полносвязные сети
- Примеры использования нейронных сетей
- Полносвязные сети. Функции активации
- Домашнее задание - 1
03Обучение нейронных сетей
- Обучение нейронных сетей
- Градиентный спуск для функции одной переменной
- Градиентный спуск в общем случае
- Стохастический градиентный спуск
- Модификации градиентного спуска
- Метод обратного распространения ошибки
- Домашнее задание - 2
04Введение в PyTorch
- Знакомство с PyTorch
- Нейронные сети в PyTorch
- Домашнее задание - 3
05Ускорение обучения и снижение переобучения
- Препроцессинг данных и инициализация весов
- Ограничения на веса
- DropOut
- Batch and Layer Normalisation
- Домашнее задание - 4
06Основы компьютерного зрения
- Введение в компьютерное зрение
- Классические архитектуры компьютерного зрения
- Паддинг и аугментации
- Домашнее задание - 5
07Современное компьютерное зрение
- Современные задачи компьютерного зрения
- Задача сегментации
- Pose estimation и генерация изображений
08Основы обработки естественного языка
- Word2vec
- Детали word2vec и вариации алгоритма
- Домашнее задание - 6
09Рекуррентные нейронные сети
- Рекуррентные нейронные сети
- Модификации RNN
- Практика RNN
10Attention
- Механизм внимания (attention) и self-attention
- Attention на практике
- Тест по attention
11Трансформеры: теория
- Архитектура трансформеров
- Batch and Layer Normalisation
- Тест по трансформерам
12Трансформеры: практика
- Трансформеры в Python
- Домашнее задание - 7
13Вопросы с собеседований
- Базовый уровень
- Средний уровень
- Продвинутый уровень
14Классические генеративные модели в Computer Vision
- Задача генерации изображений: описание и подходы
- Автокодировщики
- Вариационные автокодировщики
- Домашнее задание - 8
15Современные генеративные модели Computer Vision
- Генеративно-состязательные сети
- Диффузионные модели
- Что есть еще?
- Домашнее задание - 9
16Методы оптимизации нейронных сетей
- Зачем что-то оптимизировать?
- Дистилляция и квантизация
- Практика и обзор продвинутых методов оптимизации
- Домашнее задание - 10
01Организация курса
- Программа курса
- Тест по машинному обучению
02Полносвязные нейронные сети
- Мотивация использования нейронных сетей, полносвязные сети
- Примеры использования нейронных сетей
- Полносвязные сети. Функции активации
- Домашнее задание - 1
03Обучение нейронных сетей
- Обучение нейронных сетей
- Градиентный спуск для функции одной переменной
- Градиентный спуск в общем случае
- Стохастический градиентный спуск
- Модификации градиентного спуска
- Метод обратного распространения ошибки
- Домашнее задание - 2
04Введение в PyTorch
- Знакомство с PyTorch
- Нейронные сети в PyTorch
- Домашнее задание - 3
05Ускорение обучения и снижение переобучения
- Препроцессинг данных и инициализация весов
- Ограничения на веса
- DropOut
- Batch and Layer Normalisation
- Домашнее задание - 4
06Основы компьютерного зрения
- Введение в компьютерное зрение
- Классические архитектуры компьютерного зрения
- Паддинг и аугментации
- Домашнее задание - 5
07Современное компьютерное зрение
- Современные задачи компьютерного зрения
- Задача сегментации
- Pose estimation и генерация изображений
08Основы обработки естественного языка
- Word2vec
- Детали word2vec и вариации алгоритма
- Домашнее задание - 6
09Рекуррентные нейронные сети
- Рекуррентные нейронные сети
- Модификации RNN
- Практика RNN
10Attention
- Механизм внимания (attention) и self-attention
- Attention на практике
- Тест по attention
11Трансформеры: теория
- Архитектура трансформеров
- Batch and Layer Normalisation
- Тест по трансформерам
12Трансформеры: практика
- Трансформеры в Python
- Домашнее задание - 7
13Вопросы с собеседований
- Базовый уровень
- Средний уровень
- Продвинутый уровень
14Классические генеративные модели в Computer Vision
- Задача генерации изображений: описание и подходы
- Автокодировщики
- Вариационные автокодировщики
- Домашнее задание - 8
15Современные генеративные модели Computer Vision
- Генеративно-состязательные сети
- Диффузионные модели
- Что есть еще?
- Домашнее задание - 9
16Методы оптимизации нейронных сетей
- Зачем что-то оптимизировать?
- Дистилляция и квантизация
- Практика и обзор продвинутых методов оптимизации
- Домашнее задание - 10
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 «Практический Deep Learning» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Машинное обучение
Информация обновлена 12 августа 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![[АРХИВ] Deep Learning (семестр 1, осень 2023)](https://cdn.stepik.net/media/cache/images/courses/181974/cover_bq8Ten0/442ca96b71e76542dff55bbbc4aca303.png)
![[АРХИВ] Deep Learning (семестр 1, весна 2025)](https://cdn.stepik.net/media/cache/images/courses/230362/cover_4tkfoRj/492fc6dc0234358ce905da4c4ca71bd6.jpg)
![[АРХИВ] Deep Learning (семестр 1, весна 2023): продвинутый поток](https://cdn.stepik.net/media/cache/images/courses/135003/cover_2zXJL9O/db54e2933429a4cc0c45c3035311ac6f.jpg)
![[АРХИВ] Deep Learning (семестр 2, осень 2024)](https://cdn.stepik.net/media/cache/images/courses/196142/cover_dLZWnQI/f5772a02869d297a8c6632f8c7d74b55.jpg)
