Stepik [АРХИВ] Deep Learning (семестр 1, осень 2023)
О курсе
Подробнее
Школа глубокого обучения (Deep Learning School) – учебная организация на базе Физтех-школы прикладной математики и информатики Московского физико-технического института. Мы ведем курсы по искусственному интеллекту для школьников и студентов, которые интересуются 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.
Курс 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.
Программа курса
Наш сайт: dls.samcs.ru
FAQ
Наша группа ВК
Чат в TG: @dls_fall2023_part1
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
24 занятияПрограмма курса
№ТемаЧто внутри
01Организационная информация
- О нас
- Инструменты курса. Jupyter и Google Colab
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
- 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
23Дополнительные материалы
- Дополнительные материалы
24Модуль для дополнительных баллов
- Урок для дополнительных баллов
01Организационная информация
- О нас
- Инструменты курса. Jupyter и Google Colab
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
- 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
23Дополнительные материалы
- Дополнительные материалы
24Модуль для дополнительных баллов
- Урок для дополнительных баллов
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, осень 2023)» 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
