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

все курсы

Программирование

36 уроков,

начало 21 декабря

Сложность

Продвинутый

Тип обучения

Курс

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

Искусственный интеллект

Машинное обучение

Google Colab

Линейные модели

Нейронные сети

Классификация изображений

Семантическая сегментация

Автоэнкодеры

Генеративно-состязательные модели

Jupyter Notebook

Вас будут обучать

Школа глубокого обучения МФТИ

курса

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

4.6

60 отзывов

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.

Помогаем учиться, а также создавать свои курсы и обучать

Первые учебные материалы были размещены на платформе в 2013 году. Сегодня среди охваченных курсами тем: программирование, информатика, математика, статистика
и анализ данных, биология и биоинформатика, инженерно-технические и естественные науки. Онлайн-курсы, размещенные на Stepik, неоднократно становились призерами конкурсов онлайн-курсов, а система автоматизированной проверки задач используется в ряде курсов на платформах Coursera и edX. Также Stepik активно развивает направление адаптивного обучения, где каждый сможет изучать материал, подобранный индивидуально под свой уровень знаний.

Stepik является также площадкой для проведения конкурсов и олимпиад — среди мероприятий — отборочный этап Олимпиады НТИ, онлайн-этап акции Тотальный диктант, международная олимпиада по биоинформатике.

Stepik — многофункциональная и гибкая платформа для создания образовательных материалов. Вы можете создавать онлайн курсы, интерактивные уроки с видео и различными типами заданий для учащихся, приватные курсы для ограниченной аудитории, проводить олимпиады и конкурсы, запускать программы профессиональной переподготовки и повышения квалификации, а также обучать своих сотрудников и клиентов.

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