Курс

Траектория обучения

17 разделов · 51 сюжет · Доступно 22

0.

Основы

1.

Задачи и данные

2.

Классификация

Доступно 2 из 3

  1. 2.3Деревья решений: машина из вопросовГотовится
3.

Вероятности и границы классов

Готовится

  1. 3.1Наивный Байес: какие слова выдают спам
  2. 3.2Логистическая регрессия: от признаков к вероятности
  3. 3.3SVM: граница с запасом
4.

Регрессия

Доступно 1 из 2

  1. 4.2Полиномиальная регрессия: когда прямой малоГотовится
5.

Качество и сложность моделей

Готовится

  1. 5.1Цена ошибки: почему 99% точности бывает бесполезно
  2. 5.2Переобучение: выучить ответы или научиться
  3. 5.3Ridge и Lasso: как ограничить сложность
6.

Кластеризация

Готовится

  1. 6.1k-means: найти центры групп
  2. 6.2DBSCAN: скопления и одиночные точки
  3. 6.3Иерархическая кластеризация: группы внутри групп
7.

Уменьшение размерности

Готовится

  1. 7.1PCA: какие различия сохранить при сжатии
  2. 7.2t-SNE: карта похожих рукописных цифр
  3. 7.3SVD: собрать изображение из простых слоёв
8.

Рекомендательные системы и ассоциации

Готовится

  1. 8.1Рекомендательные системы: как подобрать незнакомый фильм
  2. 8.2Ассоциации: что встречается вместе
  3. 8.3Apriori: как искать сочетания покупок
9.

Нейронные сети

10.

Компьютерное зрение

Готовится

  1. 10.1Свёрточные сети (CNN): от пикселей к признакам
11.

Автоэнкодеры и GAN

Готовится

  1. 11.1Автоэнкодер: сжать и восстановить цифру
  2. 11.2GAN: генератор и проверяющая сеть
12.

Обучение с подкреплением

Готовится

  1. 12.1Обучение с подкреплением: агент, действия и награда
  2. 12.2Q-learning: ценность действия шаг за шагом
  3. 12.3SARSA: учитывать риск собственных проб
13.

Языковые модели

14.

Трансформеры

Готовится

  1. 14.1Внимание: какие слова нужны для следующего ответа
  2. 14.2Трансформер: как устроен один блок
15.

Диффузионные модели

Готовится

  1. 15.1Генерация изображений 1. Из шума в картинку
  2. 15.2Управление генерацией: текст, изображение и шум
16.

ИИ-агенты

Готовится

  1. 16.1Инструменты агента: поиск, документы и вычисления
  2. 16.2Агент: действие, наблюдение и следующий шаг

24 раздела · 81 сюжет · Доступно 27

0.

Основы

1.

Задачи и данные

2.

Классификация и цена ошибки

Доступно 1 из 3

  1. 2.2Цена ошибки: почему 99% точности бывает бесполезноГотовится
  2. 2.3Precision и recall: посчитать цену решенияГотовится
3.

Регрессия

Доступно 1 из 3

  1. 3.2Полиномиальная регрессия: когда прямой малоГотовится
  2. 3.3Как найти лучшую прямуюГотовится
4.

Проверка и сложность

Готовится

  1. 4.1Переобучение: выучить ответы или научиться
  2. 4.2Честное сравнение моделей
  3. 4.3Ridge и Lasso: как ограничить сложность
5.

Соседи и деревья

Доступно 1 из 3

  1. 5.2Скажи мне, кто твой соседГотовится
  2. 5.3Деревья решений: машина из вопросовГотовится
6.

Вероятности и границы классов

Готовится

  1. 6.1Наивный Байес: какие слова выдают спам
  2. 6.2Логистическая регрессия: от признаков к вероятности
  3. 6.3SVM: граница с запасом
7.

Бэггинг и случайный лес

Готовится

  1. 7.1Бэггинг: несколько взглядов на одни данные
  2. 7.2Случайный лес: зачем деревьям голосовать
8.

Бустинг и стекинг

Готовится

  1. 8.1Бустинг: следующая модель исправляет предыдущую
  2. 8.2Стекинг: кто объединяет прогнозы
  3. 8.3Почему несколько моделей лучше одной
9.

Рекомендательные системы и ассоциации

Готовится

  1. 9.1Рекомендательные системы: как подобрать незнакомый фильм
  2. 9.2Ассоциации: что встречается вместе
  3. 9.3Apriori: как искать сочетания покупок
10.

Кластеризация

Готовится

  1. 10.1k-means: найти центры групп
  2. 10.2DBSCAN: скопления и одиночные точки
  3. 10.3Иерархическая кластеризация: группы внутри групп
  4. 10.4Группы, которым никто не дал названий
11.

Геометрия и сжатие данных

Готовится

  1. 11.1Смысл как точка в пространстве
  2. 11.2PCA: какие различия сохранить при сжатии
  3. 11.3t-SNE: карта похожих рукописных цифр
  4. 11.4SVD: собрать изображение из простых слоёв
12.

Нейронные сети

13.

Обучение нейросети

Готовится

  1. 13.1Обучить свою первую сеть
14.

Компьютерное зрение

Готовится

  1. 14.1Свёрточные сети (CNN): от пикселей к признакам
  2. 14.2Фильтр, который учится видеть
15.

Последовательности и память

Готовится

  1. 15.1RNN: прогноз с памятью о предыдущих шагах
  2. 15.2LSTM: что запомнить, а что забыть
16.

Языковые модели

17.

Трансформеры

Готовится

  1. 17.1Внимание: какие слова нужны для следующего ответа
  2. 17.2Трансформер: как устроен один блок
18.

Контекст и достоверность

Готовится

  1. 18.1Почему один запрос работает лучше другого
19.

ИИ-агенты

Готовится

  1. 19.1Инструменты агента: поиск, документы и вычисления
  2. 19.2Агент: действие, наблюдение и следующий шаг
  3. 19.3Ассистент по своим документам
20.

Автоэнкодеры и GAN

Готовится

  1. 20.1Автоэнкодер: сжать и восстановить цифру
  2. 20.2GAN: генератор и проверяющая сеть
21.

Диффузионные модели

Готовится

  1. 21.1Генерация изображений 1. Из шума в картинку
  2. 21.2Управление генерацией: текст, изображение и шум
22.

Обучение с подкреплением

Готовится

  1. 22.1Обучение с подкреплением: агент, действия и награда
  2. 22.2Q-learning: ценность действия шаг за шагом
  3. 22.3SARSA: учитывать риск собственных проб
  4. 22.4DQN: нейросеть вместо таблицы действий
23.

Свой проект

Готовится

  1. 23.1Что стоит сообщать ассистенту
  2. 23.2Как выбрать инструмент под задачу
  3. 23.3Свой разбор: данные, модель, ошибка, проверка
  4. 23.4От данных до работающей модели

28 разделов · 95 сюжетов · Доступно 27

0.

Основы

1.

Задачи и данные

2.

Классификация и метрики

Доступно 1 из 3

  1. 2.2Цена ошибки: почему 99% точности бывает бесполезноГотовится
  2. 2.3Precision и recall: посчитать цену решенияГотовится
3.

Честный эксперимент

Готовится

  1. 3.1Переобучение: выучить ответы или научиться
  2. 3.2Честное сравнение моделей
  3. 3.3Вероятность: от событий к ожиданию
4.

Регрессия и правдоподобие

Доступно 1 из 4

  1. 4.2Полиномиальная регрессия: когда прямой малоГотовится
  2. 4.3Как найти лучшую прямуюГотовится
  3. 4.4От правдоподобия к функции потерьГотовится
5.

Соседи и деревья

Доступно 1 из 3

  1. 5.2Скажи мне, кто твой соседГотовится
  2. 5.3Деревья решений: машина из вопросовГотовится
6.

Вероятности и границы классов

Готовится

  1. 6.1Наивный Байес: какие слова выдают спам
  2. 6.2Логистическая регрессия: от признаков к вероятности
  3. 6.3SVM: граница с запасом
7.

Бэггинг и случайный лес

Готовится

  1. 7.1Бэггинг: несколько взглядов на одни данные
  2. 7.2Случайный лес: зачем деревьям голосовать
8.

Бустинг и стекинг

Готовится

  1. 8.1Бустинг: следующая модель исправляет предыдущую
  2. 8.2Стекинг: кто объединяет прогнозы
  3. 8.3Почему несколько моделей лучше одной
  4. 8.4Бустинг как спуск в пространстве функций
9.

Рекомендательные системы и ассоциации

Готовится

  1. 9.1Рекомендательные системы: как подобрать незнакомый фильм
  2. 9.2Ассоциации: что встречается вместе
  3. 9.3Apriori: как искать сочетания покупок
10.

Кластеризация

Готовится

  1. 10.1k-means: найти центры групп
  2. 10.2DBSCAN: скопления и одиночные точки
  3. 10.3Иерархическая кластеризация: группы внутри групп
  4. 10.4Группы, которым никто не дал названий
11.

Геометрия данных

Готовится

  1. 11.1Смысл как точка в пространстве
  2. 11.2PCA: какие различия сохранить при сжатии
  3. 11.3Сжать данные, сохранив главное
12.

Карты и разложения

Готовится

  1. 12.1t-SNE: карта похожих рукописных цифр
  2. 12.2SVD: собрать изображение из простых слоёв
13.

Нейронные сети

14.

Градиент и обратный проход

Готовится

  1. 14.1Обратный проход по графу вычислений
15.

Алгоритмы оптимизации

Готовится

  1. 15.1Зачем спуску случайность
  2. 15.2Гонка SGD, Momentum и Adam
  3. 15.3Обучить свою первую сеть
16.

Регуляризация и сравнение

Готовится

  1. 16.1Ridge и Lasso: как ограничить сложность
  2. 16.2Почему проще иногда лучше
  3. 16.3А улучшение вообще настоящее?
17.

Компьютерное зрение

Готовится

  1. 17.1Свёрточные сети (CNN): от пикселей к признакам
  2. 17.2Фильтр, который учится видеть
18.

Последовательности и память

Готовится

  1. 18.1RNN: прогноз с памятью о предыдущих шагах
  2. 18.2LSTM: что запомнить, а что забыть
19.

Языковые модели

20.

Трансформеры

Готовится

  1. 20.1Внимание: какие слова нужны для следующего ответа
  2. 20.2Трансформер: как устроен один блок
  3. 20.3Attention: Q, K, V и масштаб
  4. 20.4Собрать маленький трансформер
21.

Автоэнкодеры и GAN

Готовится

  1. 21.1Автоэнкодер: сжать и восстановить цифру
  2. 21.2GAN: генератор и проверяющая сеть
22.

Диффузионные модели

Готовится

  1. 22.1Генерация изображений 1. Из шума в картинку
  2. 22.2Управление генерацией: текст, изображение и шум
  3. 22.3Генерация изображений 2. Как устроено зашумление
  4. 22.4Генерация изображений 3. Научиться обращать шум
23.

ИИ-агенты и проверка ответов

Готовится

  1. 23.1Инструменты агента: поиск, документы и вычисления
  2. 23.2Агент: действие, наблюдение и следующий шаг
  3. 23.3Ассистент по своим документам
24.

Награда и исследование

Готовится

  1. 24.1Обучение с подкреплением: агент, действия и награда
  2. 24.2Пробовать новое или выбирать лучшее
25.

Обучение ценности действий

Готовится

  1. 25.1Q-learning: ценность действия шаг за шагом
  2. 25.2SARSA: учитывать риск собственных проб
  3. 25.3Агент, который думает на шаг вперёд
26.

Глубокое обучение с подкреплением

Готовится

  1. 26.1DQN: нейросеть вместо таблицы действий
27.

Своё исследование

Готовится

  1. 27.1Что стоит сообщать ассистенту
  2. 27.2Лаборатория нестандартных задач
  3. 27.3Исследование: гипотеза, эксперимент, защита