Сложность
Сложность
Продвинутый
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
Записанные лекции

Стоимость курса

бесплатно
нет рассрочки

Школа глубокого обучения (Deep Learning School) – учебная организация на базе Физтех-школы прикладной математики и информатики Московского физико-технического института. Мы занимаемся разработкой курсов по искусственному интеллекту для школьников и студентов, интересующихся 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, дающий льготы при поступлении в бакалавриат и магистратуру ФПМИ МФТИ.

Что вы получите после обучения

Приобретаемые навыки
2
Google Colab
3
Jupyter Notebook
6
Линейные модели
7
Классификация изображений
8
Семантическая сегментация
9
Автоэнкодеры
10
Генеративно-состязательные модели

Вас будут обучать

Каждые полгода мы запускаем новую итерацию нашего двухсеместрового практического онлайн-курса по глубокому обучению. 

Наборы проводятся в августе-сентябре и январе-феврале За нашими новостями можно следить здесь.

Наш канал в TG: https://t.me/deep_learning_school_news

Официальный сайт: https://www.dlschool.org Официальная группа ВК: https://vk.com/dlschool_mipt 

Образовательная организация

Stepik — образовательная платформа и конструктор онлайн-курсов.

Мы разрабатываем алгоритмы адаптивного обучения, сотрудничаем с авторами MOOC, помогаем в проведении олимпиад и программ переподготовки.

Наша цель — сделать образование открытым и удобным.

Stepik — широко известная российская образовательная платформа, основанная в 2013 году. На Stepik зарегистрировано более миллиона пользователей из России и стран СНГ. В настоящее время на Stepik представлены несколько тысяч учебных курсов на самые разные темы.

Платформа Stepik включает в себя конструктор бесплатных занятий и уроков. Создать интерактивный обучающий курс может любой зарегистрированный пользователь. При этом авторы обучающих материалов сохраняют авторские права. Сервис не имеет ограничений по числу обучающихся на курсе.

Stepik имеет обширные возможности по созданию онлайн-курсов, обучающих занятий и уроков с использованием текстов, видео, картинок, тестовых задач, в процессе выполнения которых можно вести обсуждения с остальными обучающимися, а также с преподавателем. Всего в Stepik присутствует 20 типов заданий, проверка которых может осуществляться как в автоматическом, так и в ручном режиме.

Большим преимуществом данной платформы является возможность встраивать созданные материалы на сторонние сайты, например, Moodle и Canvas.

Кроме того, Stepik может использоваться в качестве площадки для проведения разнообразных мероприятий, таких как олимпиады и конкурсы.

Интерфейс платформы полностью русскоязычный, достаточно дружественный и интуитивно понятный. Платформа полностью бесплатна.

За каждый пройденный курс в Stepik обучающийся получает сертификат о прохождении. Получение сертификата также бесплатно.

Программа курса

Организационная информация
1. О нас
2. Инструменты курса. Jupyter и Google Colab
3. Дополнительные материалы для самостоятельного освоения
4. Организационный вебинар

Введение в искусственный интеллект
1. Лекция, введение в ИИ. Михаил Бурцев

Основы машинного обучения
1. Лекция. Введение в машинное обучение. Григорий Лелейтнер
2. Семинар. Библиотека sklearn. Григорий Лелейтнер

Домашнее задание. Основы машинного обучения
1. Домашнее задание. Основы машинного обучения

Линейные модели
1. Лекция. Линейные модели. Григорий Лелейтнер
2. Семинар. Линейные модели. Артем Ямалутдинов

Домашнее задание. Линейные модели и методы оптимизации
1. Домашнее задание. Линейные модели и методы оптимизации

Композиции алгоритмов и выбор модели
1. Допматериал. Метрики машинного обучения. Юрий Яровиков
2. Решающие деревья и композиции алгоритмов. Юрий Яровиков
3. Семинар. Выбор моделей и цикл разработки. Аркадий Боков

Домашнее задание. Решение ML-задачи и Kaggle
1. Домашнее задание. Решение ML-задачи и Kaggle

Введение в нейронные сети
1. Лекция. Введение в нейронные сети. Радослав Нейчев
2. Семинар. Введение в библиотеку Pytorch. Александр Миленькин

Сверточные нейросети
1. Лекция. Сверточные нейросети. Татьяна Гайнцева 2. Семинар. Модули в PyTorch и CNN. Артем Ямалутдинов

Домашнее задание. Сверточные и полносвязные нейросети
1. Домашнее задание. Сверточные и полносвязные нейросети

Продвинутое обучение нейросетей
1. Лекция. Продвинутое обучение нейронных сетей. Радослав Нейчев
2. Семинар. Продвинутое обучение нейросетей. Григорий Лелейтнер

Классификация изображений
1. Лекция. Классификация изображений. Татьяна Гайнцева
2. Семинар. Transfer Learning. Никита Балаганский

Домашнее задание. Классификация изображений
1. Домашнее задание: классификация Симпсонов

Семантическая сегментация
1. Лекция. Семантическая сегментация. Татьяна Гайнцева

Домашнее задание. Сегментация изображений
1. Домашнее задание. Сегментация изображений

Детекция объектов на изображениях
1. Лекция. Нейронная детекция объектов. Илья Захаркин
2. Семинар. Нейронная детекция объектов. Илья Захаркин

Генеративные модели и автоэнкодеры
1. Лекция. Автоэнкодеры. Никита Балаганский
2. Семинар. Автоэнкодеры. Артём Ямалутдинов
Домашнее задание. Автоэнкодеры

Генеративно-состязательные модели
1. Лекция. Генеративно-состязательные модели. Никита Балаганский
2. Семинар. Генеративно-состязательные модели. Артём Ямалутдинов

Домашнее задание. Генеративно-состязательные модели
1. Домашнее задание. Генеративно-состязательные модели

Итоговый проект
1. Итоговый проект

Рейтинг курса

4
рейтинг
0
0
0
0
0

Может быть интересно

обновлено 10.03.2023 03:06
Deep Learning (семестр 1, осень 2021): продвинутый поток

Deep Learning (семестр 1, осень 2021): продвинутый поток

Оставить отзыв
Поделиться курсом с друзьями