Stepik Deep Learning (семестр 1, осень 2025)
О курсе
Подробнее
Этот курс предназначен для тех, кто начинает свой путь в мир искусственного интеллекта и глубокого обучения. Вы познакомитесь с ключевыми концепциями машинного обучения, нейронных сетей и их применением в реальных задачах, таких как обработка изображений, семантическая сегментация, детекция объектов и генеративные модели. Курс сочетает теоретические лекции с практическими семинарами
Для работы с нейронными сетями вы научитесь использовать библиотеку PyTorch, также научитесь работать с популярными библиотеками: NumPy, Scikit-learn, Matplotlib, Pandas и другие.
Курс включает 12 модулей, охватывающих основы ИИ, линейные модели, композиции алгоритмов, нейронные сети и продвинутые архитектуры. Выполняя практические задания, вы будете создавать и обучать свои модели машинного обучения и нейронных сетей, а также дообучать существующие модели. В финале вы разработаете итоговый проект, который закрепит полученные знания. По окончании курса вы получите сертификат.
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.
Наш сайт
FAQ
Наша группа ВК
Наш TG канал
Чат семестра в TG
*Deep Learning School – учебная организация на базе Физтех-школы прикладной математики и информатики Московского физико-технического института.
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
- Курс рассчитан на слушателей с базовыми знаниями программирования на Python и хорошим математическим бэкграундом (линейная алгебра, теория вероятностей, математический анализ). Опыт работы с библиотеками для анализа данных (например, NumPy, Pandas) будет преимуществом, но не обязателен.
Содержание
25 занятийПрограмма курса
№ТемаЧто внутри
01Организационная информация
- О курсе
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
- Инструменты курса.
03Основы машинного обучения
- Лекция. Введение в машинное обучение.
- Семинар. Введение в ML. Pandas, Matplotlib, Sklearn.
- Дополнительный семинар. Feature engineering: допглавы
04Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
05Линейные модели
- Лекция. Линейные модели.
- Семинар. Линейные модели.
- Дополнительные материалы.
06 Домашнее задание. Линейные модели
- Домашнее задание. Линейные модели и методы оптимизации
07 Композиции алгоритмов и выбор модели
- Решающие деревья и композиции алгоритмов.
- Допматериал. Метрики машинного обучения.
- Семинар. Выбор моделей и цикл разработки.
08Домашнее задание. Решение ML-соревнования
- Домашнее задание. ML соревнование
09Введение в нейронные сети
- Лекция. Введение в нейронные сети.
- Семинар. Введение в библиотеку Pytorch.
- Дополнительные материалы к модулю
- Дополнительные материалы. Математика.
10Сверточные нейросети
- Лекция. Сверточные нейросети.
- Семинар. Модули в PyTorch и CNN.
11Домашнее задание. Сверточные и полносвязные нейросети
- Домашнее задание. Сверточные и полносвязные нейросети
12Продвинутое обучение нейросетей
- Лекция. Продвинутое обучение нейронных сетей.
- Семинар. Продвинутое обучение нейросетей.
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.
- Семинар. Семантическая сегментация.
- Опционально: Семинар. Семантическая сегментация.
- Открытая лекция. Задача интерактивной сегментации
16Домашнее задание. Сегментация изображений
- Домашнее задание. Сегментация изображений
17Дополнительный модуль. Основы области Explainable AI
- Лекция. Основы области Explainable AI для моделей мо
- Семинар. Основы области Explainable AI для моделей мо
18Детекция объектов
- Лекция. Детекция объектов.
- Семинар. Детекция объектов.
19Домашнее задание. Детекция объектов
- Домашнее задание. Детекция.
20 Генеративные модели и автоэнкодеры
- Лекция. Автоэнкодеры.
- Семинар. Автоэнкодеры.
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
21Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
22 Генеративно-состязательные сети
- Лекция. GANs.
- Семинар (part 1) - введение в GANs.
- Семинар (part 2). Инверсия StyleGAN-2
23Домашнее задание. Генеративно-состязательные сети
- Домашнее задание. Генеративно-состязательные модели
24Итоговый проект
- Итоговый проект. Описание и форма сдачи
25Модуль для дополнительных баллов
- Урок для дополнительных баллов
01Организационная информация
- О курсе
02Введение в искусственный интеллект
- Лекция, введение в ИИ. Михаил Бурцев
- Инструменты курса.
03Основы машинного обучения
- Лекция. Введение в машинное обучение.
- Семинар. Введение в ML. Pandas, Matplotlib, Sklearn.
- Дополнительный семинар. Feature engineering: допглавы
04Домашнее задание. Основы машинного обучения
- Домашнее задание. Основы машинного обучения
05Линейные модели
- Лекция. Линейные модели.
- Семинар. Линейные модели.
- Дополнительные материалы.
06 Домашнее задание. Линейные модели
- Домашнее задание. Линейные модели и методы оптимизации
07 Композиции алгоритмов и выбор модели
- Решающие деревья и композиции алгоритмов.
- Допматериал. Метрики машинного обучения.
- Семинар. Выбор моделей и цикл разработки.
08Домашнее задание. Решение ML-соревнования
- Домашнее задание. ML соревнование
09Введение в нейронные сети
- Лекция. Введение в нейронные сети.
- Семинар. Введение в библиотеку Pytorch.
- Дополнительные материалы к модулю
- Дополнительные материалы. Математика.
10Сверточные нейросети
- Лекция. Сверточные нейросети.
- Семинар. Модули в PyTorch и CNN.
11Домашнее задание. Сверточные и полносвязные нейросети
- Домашнее задание. Сверточные и полносвязные нейросети
12Продвинутое обучение нейросетей
- Лекция. Продвинутое обучение нейронных сетей.
- Семинар. Продвинутое обучение нейросетей.
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.
- Семинар. Семантическая сегментация.
- Опционально: Семинар. Семантическая сегментация.
- Открытая лекция. Задача интерактивной сегментации
16Домашнее задание. Сегментация изображений
- Домашнее задание. Сегментация изображений
17Дополнительный модуль. Основы области Explainable AI
- Лекция. Основы области Explainable AI для моделей мо
- Семинар. Основы области Explainable AI для моделей мо
18Детекция объектов
- Лекция. Детекция объектов.
- Семинар. Детекция объектов.
19Домашнее задание. Детекция объектов
- Домашнее задание. Детекция.
20 Генеративные модели и автоэнкодеры
- Лекция. Автоэнкодеры.
- Семинар. Автоэнкодеры.
- Опционально: Лекция. Автоэнкодеры. Никита Балаганский
21Домашнее задание. Автоэнкодеры
- Домашнее задание. Автоэнкодеры
22 Генеративно-состязательные сети
- Лекция. GANs.
- Семинар (part 1) - введение в GANs.
- Семинар (part 2). Инверсия StyleGAN-2
23Домашнее задание. Генеративно-состязательные сети
- Домашнее задание. Генеративно-состязательные модели
24Итоговый проект
- Итоговый проект. Описание и форма сдачи
25Модуль 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 «Deep Learning (семестр 1, осень 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
