Stepik [АРХИВ] Deep Learning (семестр 1, осень 2024)
О курсе
Подробнее
Курс посвящен введению в глубокое обучение, нейросети и компьютерное зрение. Начинаем с основ машинного и глубокого обучения, переходим к CNN для обработки картинок, заканчиваем переносом стиля изображений и ГАНами.
Курс состоит из лекций, семинаров и домашних заданий. В течение курса вам предстоит много практики, а в конце — самостоятельный итоговый проект. Преподаватели школы — ведущие специалисты российских и зарубежных IT-компаний и научные сотрудники исследовательских компаний.
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 курсе
- Инструменты курса. Jupyter и Google Colab
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
03Основы машинного обучения
- Лекция. Введение в машинное обучение.
- Семинар. Введение в ML. Pandas, Matplotlib, Sklearn.
04Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
05Линейные модели
- Лекция. Линейные модели.
- Семинар. Линейные модели.
06Домашнее задание. Линейные модели
- Домашнее задание. Линейные модели и методы оптимизации
07Композиции алгоритмов и выбор модели
- Решающие деревья и композиции алгоритмов. Юрий Яровиков
- Допматериал. Метрики машинного обучения. Юрий Яровиков
- Семинар. Выбор моделей и цикл разработки. Аркадий Боков
08Домашнее задание. Решение ML-задачи на Kaggle
- Домашнее задание. Конкурс на kaggle
09Введение в нейронные сети
- Лекция. Введение в нейронные сети.
- Семинар. Введение в библиотеку Pytorch.
- Дополнительные материалы к модулю
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
13Архитектуры CNN и Fine-Tuning
- Лекция. Классификация изображений. Татьяна Гайнцева
- Семинар. Классификация изображений. Никита Балаганский
14Домашнее задание. Архитектуры CNN и Fine-Tuning
- Домашнее задание. Классификация Симпсонов
15Семантическая сегментация
- Лекция. Семантическая сегментация. Татьяна Гайнцева
- Семинар. Семантическая сегментация. Асель Ермекова
- Опционально: Семинар. Семантическая сегментация. Юрий Яровиков
16Домашнее задание. Сегментация изображений
- Домашнее задание. Сегментация изображений
17Детекция объектов
- Лекция. Нейронная детекция объектов. Илья Захаркин
- Семинар. Нейронная детекция объектов. Илья Захаркин
18Генеративные модели и автоэнкодеры
- Лекция. Автоэнкодеры. Нина Коновалова
- Семинар. Автоэнкодеры. Артём Ямалутдинов
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
19Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
20Генеративно-состязательные сети
- Лекция. GANs
- Семинар (part 1) - введение в GANs . Артём Ямалутдинов
- Семинар (part 2). Инверсия StyleGAN-2
- Опционально: Лекция - GANs Никита Балаганский
21Домашнее задание. Генеративно-состязательные сети
- Домашнее задание. Генеративно-состязательные модели
22Итоговый проект
- Итоговый проект. Описание и форма сдачи
01Организационная информация
- О курсе
- Инструменты курса. Jupyter и Google Colab
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
03Основы машинного обучения
- Лекция. Введение в машинное обучение.
- Семинар. Введение в ML. Pandas, Matplotlib, Sklearn.
04Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
05Линейные модели
- Лекция. Линейные модели.
- Семинар. Линейные модели.
06Домашнее задание. Линейные модели
- Домашнее задание. Линейные модели и методы оптимизации
07Композиции алгоритмов и выбор модели
- Решающие деревья и композиции алгоритмов. Юрий Яровиков
- Допматериал. Метрики машинного обучения. Юрий Яровиков
- Семинар. Выбор моделей и цикл разработки. Аркадий Боков
08Домашнее задание. Решение ML-задачи на Kaggle
- Домашнее задание. Конкурс на kaggle
09Введение в нейронные сети
- Лекция. Введение в нейронные сети.
- Семинар. Введение в библиотеку Pytorch.
- Дополнительные материалы к модулю
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
13Архитектуры CNN и Fine-Tuning
- Лекция. Классификация изображений. Татьяна Гайнцева
- Семинар. Классификация изображений. Никита Балаганский
14Домашнее задание. Архитектуры CNN и Fine-Tuning
- Домашнее задание. Классификация Симпсонов
15Семантическая сегментация
- Лекция. Семантическая сегментация. Татьяна Гайнцева
- Семинар. Семантическая сегментация. Асель Ермекова
- Опционально: Семинар. Семантическая сегментация. Юрий Яровиков
16Домашнее задание. Сегментация изображений
- Домашнее задание. Сегментация изображений
17Детекция объектов
- Лекция. Нейронная детекция объектов. Илья Захаркин
- Семинар. Нейронная детекция объектов. Илья Захаркин
18Генеративные модели и автоэнкодеры
- Лекция. Автоэнкодеры. Нина Коновалова
- Семинар. Автоэнкодеры. Артём Ямалутдинов
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
19Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
20Генеративно-состязательные сети
- Лекция. GANs
- Семинар (part 1) - введение в GANs . Артём Ямалутдинов
- Семинар (part 2). Инверсия StyleGAN-2
- Опционально: Лекция - GANs Никита Балаганский
21Домашнее задание. Генеративно-состязательные сети
- 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, осень 2024)» 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)
