Stepik О курсе
Подробнее
Курс состоит из нескольких тематических блоков. Каждый из блоков глубоко погружает слушателей в различные современные приложения глубинного обучения.
Над курсом работает команда разноплановых специалистов, каждый из которых является экспертом в своем блоке тем.
Требования
Что нужно для старта
- - знание классических архитектур нейронных сетей (если вы не знакомы с классическим глубинным обучением - рекомендуем пройти курс Практический Deep Learning)
- - желание получить максимально полный обзор современных приложений глубинного обучения и найти свой индивидуальный вектор развития
Результат
Что вы получите
- вы узнаете о современных генеративных моделях в области компьютерного зрения
- узнаете об особенностях работы LLM
- погрузитесь в алгоритмы построения рекомендательных систем
- освоите основы графовых нейронных сетей
- познакомитесь с глубинным обучением для обработки звука
- узнаете о современных методах ускорения обучения нейронных сетей
- прикоснетесь к миру Reinforcement Learning
Аудитория
Для кого этот курс
- Вам подойдет этот курс, если вы освоили программу классического Deep Learning и знакомы с основными архитектурами нейронных сетей (полносвязные, сверточные, рекуррентные и транспортерные архитектуры). Вам будет интересен курс, если вы интересуетесь современным состоянием области Deep Learning и хотите погрузиться в различные ответвления современного глубинного обучения.
Содержание
15 занятийПрограмма курса
№ТемаЧто внутри
01О курсе
- Программа курса
- Тест по Deep Learning
02Нормализационные потоки и метрики качества генерации
- Метрики качества генерации
- Нормализационные потоки
- Практика по нормализационным потокам
03Сложные задачи Computer Vision
- Stable Diffusion
- Vision Transformers (ViT)
- Обзор других существующих решений
04Трехмерное компьютерное зрение
- Классические методы
- Нейросетевые методы
05Рекомендательные системы - 1
- Введение в рекомендательные системы
- Коллаборативная фильтрация
- Матричные разложения
- Домашнее задание
06Рекомендательные системы - 2
- Метрики качества рекомендаций
- ML-подход
- Факторизационные машины
- Домашнее задание
07Рекомендательные системы - 3
- ALS для обучения рекомендательных систем
- Deep Learning-подходы для построения рекомендаций (обзор)
- Заключительный урок: материалы и тестирование
08Методы объяснения DL-моделей
- Введение
- Learned Features [CNN] Визуализация карт активации
- Learned Features [CNN] Network Dissection
- Learned Features [CNN]: Практика
- Gradient-based explainability | Saliency Maps
09Большие языковые модели (Large Language Models)
- Введение в LLM
- Обзор некоторых архитектур
- Запускаем LLM
10PEFT
- PEFT
- Домашнее задание
11Графовые нейронные сети
- Введение в графовые нейронные сети
- Некоторые архитектуры GNN
- Практический запуск GNN
12Deep Learning для звука: введение в домен
- Хранение звука в компьютере
- Базовые характеристики звука
- Преобразование Фурье и Спектрограммы
13DL для звука: задачи и модели
- Стандартные задачи на аудио
- Задачи работы со звуком: Audio-to-Audio
- Audio-visual задачи
- Audio-Tasks: тест на понимание области
14Обучение с подкреплением
- Reinforcement Learning
15Итоговый модуль курса
- Итог
01О курсе
- Программа курса
- Тест по Deep Learning
02Нормализационные потоки и метрики качества генерации
- Метрики качества генерации
- Нормализационные потоки
- Практика по нормализационным потокам
03Сложные задачи Computer Vision
- Stable Diffusion
- Vision Transformers (ViT)
- Обзор других существующих решений
04Трехмерное компьютерное зрение
- Классические методы
- Нейросетевые методы
05Рекомендательные системы - 1
- Введение в рекомендательные системы
- Коллаборативная фильтрация
- Матричные разложения
- Домашнее задание
06Рекомендательные системы - 2
- Метрики качества рекомендаций
- ML-подход
- Факторизационные машины
- Домашнее задание
07Рекомендательные системы - 3
- ALS для обучения рекомендательных систем
- Deep Learning-подходы для построения рекомендаций (обзор)
- Заключительный урок: материалы и тестирование
08Методы объяснения DL-моделей
- Введение
- Learned Features [CNN] Визуализация карт активации
- Learned Features [CNN] Network Dissection
- Learned Features [CNN]: Практика
- Gradient-based explainability | Saliency Maps
09Большие языковые модели (Large Language Models)
- Введение в LLM
- Обзор некоторых архитектур
- Запускаем LLM
10PEFT
- PEFT
- Домашнее задание
11Графовые нейронные сети
- Введение в графовые нейронные сети
- Некоторые архитектуры GNN
- Практический запуск GNN
12Deep Learning для звука: введение в домен
- Хранение звука в компьютере
- Базовые характеристики звука
- Преобразование Фурье и Спектрограммы
13DL для звука: задачи и модели
- Стандартные задачи на аудио
- Задачи работы со звуком: Audio-to-Audio
- Audio-visual задачи
- Audio-Tasks: тест на понимание области
14Обучение с подкреплением
- Reinforcement Learning
15Итоговый модуль курса
- Итог
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 «Продвинутые методы глубинного обучения» 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
