Stepik [АРХИВ] Deep Learning (семестр 1, весна 2025)
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. Преподаватели школы — ведущие специалисты российских и зарубежных IT-компаний и научные сотрудники исследовательских компаний, а также 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 опыт программирования на Python, а также уверенно знает школьную и вузовскую математику.
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
Наш TG канал
Чат семестра в TG
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
23 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
05 Линейные 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-соревнования
- 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.
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. Детекция объектов.
- Семинар. Детекция объектов.
18Домашнее задание. Детекция объектов
- Домашнее задание. Детекция.
19Генеративные модели и автоэнкодеры
- Лекция. Автоэнкодеры. Нина Коновалова
- Семинар. Автоэнкодеры. Артём Ямалутдинов
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
20Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
21Генеративно-состязательные сети
- Лекция. GANs
- Семинар (part 1) - введение в GANs . Артём Ямалутдинов
- Семинар (part 2). Инверсия StyleGAN-2
22Домашнее задание. Генеративно-состязательные сети
- Домашнее задание. Генеративно-состязательные модели
23 Итоговый 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
05 Линейные 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-соревнования
- 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.
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. Детекция объектов.
- Семинар. Детекция объектов.
18Домашнее задание. Детекция объектов
- Домашнее задание. Детекция.
19Генеративные модели и автоэнкодеры
- Лекция. Автоэнкодеры. Нина Коновалова
- Семинар. Автоэнкодеры. Артём Ямалутдинов
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
20Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
21Генеративно-состязательные сети
- Лекция. GANs
- Семинар (part 1) - введение в GANs . Артём Ямалутдинов
- Семинар (part 2). Инверсия StyleGAN-2
22Домашнее задание. Генеративно-состязательные сети
- Домашнее задание. Генеративно-состязательные модели
23 Итоговый 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 2025)» 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)
