Чему вы научитесь
- Объяснять, как обучается и что предсказывает каждый классический алгоритм ML — от линейной регрессии до градиентного бустинга
- Считать и понимать метрики под капотом — MSE, R², precision, recall, F1, ROC-AUC, IoU, mAP — и знать, когда метрика врёт
- Готовить данные и строить модели в pandas, NumPy и scikit-learn, рисовать графики в matplotlib и seaborn
- Понимать математику ML — производные и градиент, матрицы, вероятности, энтропию — на уровне, достаточном для чтения статей
- Объяснять, как работают слои, функции активации, обратное распространение ошибки и оптимизаторы от SGD до AdamW
- Писать и обучать нейросети в PyTorch, прописывать архитектуру послойно — вплоть до ResNet
- Понимать свёрточные сети, трансформеры, LLM и VLM и их историю — от перцептрона до GPT
- Разбираться в детекторах — двухступенчатых, YOLO от v3 до YOLO26 и их аналогах, DETR — и объяснять, чем они отличаются
- Обучать детектор на своих данных и ускорять модель для запуска через ONNX, OpenVINO и TensorRT
- Собирать пайплайн решения задачи — от данных до работающей модели
О курсе
Вы слышали про нейросети, YOLO и ChatGPT и хотите понять, как это устроено на самом деле, — а не выучить набор волшебных команд. Этот курс ведёт от самой простой модели машинного обучения к современным детекторам объектов и языковым моделям, и на каждом шаге отвечает на вопросы «почему так?», «что внутри?» и «что модель вообще предсказывает?».
Как устроено обучение
- Сначала руками, потом кодом. Каждую формулу считаем на трёх-пяти числах, затем пишем в NumPy или PyTorch и только потом зовём готовую библиотеку. Так
model.fit()перестаёт быть магией. - Математика — с нуля и только нужная. Производная, градиент, матрицы, вероятность, энтропия появляются ровно там, где без них не обойтись, — с картинками и примерами.
- Python — с начального уровня. Отдельный модуль про NumPy, pandas и графики; код в уроках короткий и с комментариями.
- Задачи с автопроверкой — и с юмором. Посчитать MSE для прогнозов дроида, IoU для рамки вокруг икрана, softmax для Распределяющей шляпы, убрать NMS-ом лишние рамки вокруг Джона Коннора. Есть задачи на код, которые проверяются прямо в браузере.
- Практика в Google Colab. Обучение на реальных данных, PyTorch, YOLO, TensorRT — в бесплатных блокнотах с видеокартой. Своя видеокарта не нужна.
- Конспект после каждого модуля — главное, формулы и «когда что применять» на одном-двух экранах.
Что внутри
- Классическое ML. Как учатся машины, Python для данных, линейная и логистическая регрессия, метрики, kNN и SVM, K-means и PCA, решающие деревья, случайный лес, градиентный бустинг (XGBoost, LightGBM, CatBoost).
- Глубокое обучение. Слои и функции активации, backprop, оптимизаторы от SGD до AdamW, PyTorch, свёрточные сети и ResNet послойно, от RNN к трансформерам, LLM и VLM.
- Компьютерное зрение. Детекция: IoU, NMS и mAP под капотом, двухступенчатые детекторы (Faster R-CNN), YOLO от v3 до YOLO26 и аналоги, визуальные трансформеры и DETR, ускорение и деплой (ONNX, OpenVINO, TensorRT), итоговый проект — свой детектор от разметки до быстрой модели.
В плане 20 модулей. Каждый факт о моделях сверен с оригинальной статьёй или документацией, в конце каждого урока — источники для самостоятельного изучения.
Курс пополняется. Модули выходят по очереди: запишитесь, и новые уроки появятся в курсе сами. Вопросы и замечания пишите в комментариях к любому шагу — по ним курс и доделывается.
Для кого этот курс
Для тех, кто хочет глубоко понять машинное обучение и компьютерное зрение, а не только научиться запускать готовый код: студентов, разработчиков и людей, которые переходят в ML из других профессий.
Курс рассчитан на старт «Python — на уровне циклов и списков, математика — школьная и подзабытая». Если вы уже знаете часть тем, конспекты модулей помогут быстро проверить себя и перейти к новому.
Начальные требования
- Python на начальном уровне: переменные, циклы, условия, списки, функции.
- Школьная математика. Всё, что сложнее, — производные, матрицы, вероятности — объясняется в курсе с нуля.
- Браузер и аккаунт Google для практики в Colab. Своя видеокарта и установка программ не нужны.
Как проходит обучение
Курс текстовый: уроки с иллюстрациями, формулами и примерами кода, без видео. Почти в каждом уроке есть задачи с автопроверкой — выбор ответа, сопоставление, расчёты, задачи на код. После решения — разбор, после неверного ответа — подсказка.
Практика с реальными данными и нейросетями — в блокнотах Google Colab, которые прикреплены к урокам. В конце каждого модуля — конспект и сводные задачи, в конце курса — итоговый проект. Учиться можно в своём темпе, вопросы — в комментариях к любому шагу.
Программа курса
В курс входят
- 31 урок
- 89 тестов
- 21 интерактивная задача