Глубокое обучение — это разновидность машинного обучения на основе искусственных нейронных сетей. С его помощью компьютер может видеть, создавать новые произведения искусства, переводить текст на разные языки, ставить диагноз пациенту или формировать механизмы, которые могут управлять сами собой. Но машина сама себя не обучит: ей нужен человек.

Мы сделали подборку онлайн-курсов разработчиков искусственного интеллекта (AI) и нейросетей. На занятиях вы узнаете, как работают нейронные сети, что такое сверточные сети и какова их архитектура, как лучше обучать нейросети и где их использовать. Курсы подойдут продвинутым специалистам, знакомым с математическим анализом, линейной алгеброй и другими дисциплинами.

Вы научитесь:

• программировать на Python и использовать этот язык для анализа и обработки данных;
• работать с моделями и алгоритмами машинного обучения и решать на их основе практические задачи;
• обучать нейронные сети;
• извлекать данные из различных источников;
• настраивать инфраструктуру;
• создавать продвинутые нейронные сети.

GeekBrains

Курс «Разработчик искусственного интеллекта»

• Полный курс по искусственному интеллекту с самых азов
• Вы на практике освоите основы машинного обучения и глубокого обучения, узнаете, как создавать и обучать нейронные сети, разрабатывать алгоритмы и анализировать данные
• Станете квалифицированным специалистом по искусственному интеллекту и гарантированно найдете работу с  помощью преподавателей

В программе собран опыт ведущих экспертов и методологов, фундаментальные и прикладные знания, актуальный технологический инструментарий. Все это представлено в доступной подаче.

В программе курса:

1. Введение в программирование
2. Введение в контроль версий
3. Математика
4. Информатика
5. Знакомство с языком Python
6. Основы языка Python для аналитиков
7. Теория вероятностей и математическая статистика
8. Математический анализ
9. Линейная алгебра
10. Искуcственный интеллект
11. Базы данных и SQL
12. Операционные системы
13. Сбор и разметка данных
14. Transfer learning
15. Введение в Big Data
16. ETL: автоматизация подготовки данных
17. Библиотеки Python для DS
18. Машинное обучение
19. Глубокое обучение в компьютерном зрении. Интерактивный курс GU
20. Классические подходы к обработке естественного языка
21. Нейросетевые подходы к обработке естественного языка
22. Дипломная работа

SkillFactory

Курс по нейронным сетям

Машинное обучение — одна из самых быстрорастущих областей знаний. Инвестиции в машинное обучение вырастут в пять раз в течение ближайших трех лет. И Deep Learning — это передовая данной индустрии. Вы сможете пройти этот курс, если у вас есть базовое понимание машинного обучения и знание языка Python. В рамках курса вы пройдете полный путь от аренды GPU-сервера, который подходит для Deep Learning, до создания полноценной рабочей модели для компьютерного зрения, анализа естественного языка и рекомендательных систем. Курс познакомит вас с основными библиотеками для Deep Learning, такими как TensorFlow, Keras и другими.

Вы научитесь:

• Программировать на Python и использовать этот язык для анализа и обработки данных
• Получать данные из разных источников: базы данных, файлы, интернет
• Работать с моделями и алгоритмами машинного обучения и решать на их основе практические задачи
• Разработать модель предсказания кредитного рейтинга
• Создать систему рекомендаций подходящих товаров при покупке
• Построить модель для увеличения продаж в розничном бизнесе

Нетология

Deep Learning

На курсе вы разберётесь в инструментах машинного обучения, разовьёте системное мышление и сможете проявить себя в новой сфере, углубите знания и навыки и начнёте решать принципиально новые задачи. Повысите свою ценность на рынке труда.

Для обучения на этом курсе важно

• Уметь программировать на Python, знать библиотеки Pandas, NumPy, Scikit-learn
• Разбираться в основах и типах задач машинного обучения
• Владеть терминологией и понимать основные метрики машинного обучения: accuracy, precision, recall, MSE

Программа курса:

1. Основы нейронных сетей
2. Многослойная нейронная сеть
3. Свёрточные сети
4. Архитектуры свёрточных сетей
5. Улучшение качества обучения нейросетей
6. Рекуррентные сети
7. Механизм внимания
8. Компьютерное зрение
9. Работа с текстом
10. Генеративные состязательные сети (GAN)
11. Итоговый проект

По итогам курса вы обучите нейросеть решать реальную задачу

Классификация или генерация продолжения текстов, распознавание или сегментация объектов на фото и видео, машинный перевод — тему диплома вы выбираете самостоятельно. Можно взять реальный кейс от партнёра — Dodo Brands. Вы будете работать над проектом в течение месяца под руководством экспертов программы.

Skillbox

Профессия Machine Learning Engineer

Научитесь создавать модели ML и обучать нейронные сети. Освоите анализ данных и в конце курса выберете одну из специализаций: обработку естественного языка или Computer Vision. Через девять месяцев сможете трудоустроиться ML-инженером, параллельно продолжите проходить курс и дорастёте до уровня Middle.

Чему вы научитесь?

• Строить модели машинного обучения

Начнёте с простых моделей, которые требуют минимальных знаний программирования. Разберётесь в алгоритмах и научитесь решать задачи регрессии, классификации и кластеризации.

• Обучать нейронные сети

Узнаете, как устроены архитектуры нейросетей для задач компьютерного зрения и NLP. Сможете использовать и дообучать готовые сетки для своих задач и тренировать собственные.

• Использовать ML-алгоритмы

Освойте линейные и древесные алгоритмы и бустинги. Научитесь прогнозировать временные ряды и создавать рекомендательные системы. Сможете обучать модели на больших данных с помощью Spark.

• Работать с инструментами анализа данных

Узнаете, как проводить разведочный анализ данных, и освоите Excel для аналитики. Научитесь визуализировать данные в Power BI и программировать на Python и SQL.

• Извлекать данные из различных источников

Поймёте, как читать файлы различных форматов при помощи Python и библиотеки Pandas. Научитесь писать запросы к API, получать, очищать и сохранять данные в разных форматах.

• Настраивать инфраструктуру

Научитесь читать и понимать архитектуры ML-решений. Познакомитесь с пайплайнами работы модели: от сборки данных до мониторинга результатов. Сможете собирать модели в виде API.

OTUS

Machine Learning

Вас ждут творческая атмосфера и тесное сотрудничество с экспертами Data Science. Не обязательно иметь профильные знания. Программа подходит для новичков. Курс регулярно обновляется и актуализируется. Вы получите самые востребованные и рабочие фреймворки с пониманием как они применяются в рабочей среде.

На курсе предусмотрено менторское сопровождение в виде групповых разборов домашних заданий. Занятие по групповому разбору ДЗ с ментором проводится раз в месяц в рамках расписания курса.

Программа курса:

1. Введение в Python
2. Введение в Python. ООП, модули, базы данных
3. Основы Python для ML
4. Теоретический минимум для ML: математика, линал, статистика
5. Основные методы машинного обучения
6. Проектная работа
7. Продвинутые методы машинного обучения: обучение с учителем
8. Продвинутые методы машинного обучения: обучение без учителя
9. Введение в Deep Learning
10. Сбор данных. Анализ текстовых данных
11. Анализ временных рядов
12. Рекомендательные системы
13. Проектная работа

Ступень 3. Middle

Тема 1: Облачные провайдеры
Тема 2: Базовые блоки инфраструктуры
Тема 3: Практика. Настройка облачной инфраструктуры
Тема 4: Биллинг и Identity and Access Management
Тема 5: Выбор хранилища. HDFS/S3/DataBase/etc
Тема 6: Сбор данных на потоке. Kafka

Лекции ученых МГУ Teach-in

Машинное обучение. Искусственные нейронные сети и генетические алгоритмы

Курс посвящен рассмотрению современных адаптивных методов анализа данных, т.е. таких методов, которые в работе с данными опираются не на априорные знания об исследуемом объекте и заранее разработанные модели, а исключительно на свойства самих данных, описывающих объект. Подобные алгоритмы обучаются на примерах, что делает их похожими на живые системы, изучение которых и привело к возникновению большинства рассматриваемых алгоритмов. Подобный подход позволяет с успехом решать задачи прогнозирования, оценки, классификации (распознавания), кластеризации данных из самых разнообразных областей человеческой деятельности: от науки и техники до экономики и бизнеса, от естественных до гуманитарных областей знания.

Пример учебного плана:

Занятие 1. (лекция). Генетические алгоритмы. Многоагентные методы.
Занятие 1. (практикум). Анализ текстов Python.
Занятие 1. (лекция). Генетическое программирование.
Занятие 2. (практикум). Задачи оптимизации.
Занятие 2. (практикум). Библиотека cv2. Библиотека torchvision.
Занятие 2. (лекция). Генеративные нейросетевые системы. Комбинированные алгоритмы. Ансамбли (комитеты) предикторов.
Занятие 2. (практикум). Знакомство с языком программирования R.
Занятие 2. (лекция). Обучение с подкреплением. Решение обратных задач в физике с помощью методов машинного обучения.

Университет искусственного интеллекта

Data science и нейронные сети от Университета искусственного интеллекта

Цель программы — предоставить простой вход в сферу искусственного интеллекта любому человеку и обеспечить студентов навыками, которые позволят решить 99% любых востребованных AI задач. Программа адаптируется под разный уровень начальных знаний, поэтому подходит как для новичков, так и для практикующих программистов.

За время курса вы:

• Освоите язык Python
• Будете писать нейронки под все базовые темы: изображения, тексты, аудио, видео, таблицы, временные ряды
• Публиковать нейросети на сервер для реальной работы
• Освоите написание продвинутых нейронок: трансформеры, обучение с подкреплением (RL), обнаружение объектов на видео, распознавание речи и генетические алгоритмы
• Узнаете, как применять фреймворки для создании нейронных сетей

Дополнительные курсы:

PRO MAXЭкспресс-курс по AI
Курс по интеграции в Production
Курс Tg-bot с нейронкой
Курс по обработке данных

Курс по AutoML
Курс по созданию нейронок на chatGPT
Курс Python для анализа данных
Курс по машинному обучению
Курс AI директор
Курс по продаже аутсорса
Расширенные курсы
Базовый курс в видеоформате

Мастер-классы и вебинары
Курс по глубокой математике
Курс по трейдингу
Курс по PyTorch
Android приложение с нейронкой
Курс по SQL

Terra AI

Подробный онлайн-курс, разработанный специалистами Университета искусственного интеллекта, который расскажет вам основы нейронных сетей и их реализацию на Terra AI.

Вы научитесь решать задачи:

• Классификация изображений
• Обнаружение объектов на изображении
• Классификация видео
• Обнаружение объектов на видео
• Классификация текстов
• Поиск смысловых фраз/блоков в тексте
• Классификация аудио
• Распознавание аудио в текст
• Превращение текста в аудио
• Прогнозирование временных рядов
• Классификация или оценка табличных данных

Программа курса:

1. Введение в AI сети: полносвязные, свёрточные. Deploy нейронки в демо-панельку
2. Загрузка данных в Terra AI. Параметры обучения нейронных сетей
3. Обработка текстов с помощью нейронных сетей
4. Работа с табличными данными, прогнозирование временных рядов
5. Обработка аудио. Работа с проектами в Terra AI
6. Сегментация изображений и текстов
7. Object detection на изображениях
8. Object detection на видео. Каскады в Terra AI
9. Распознавация и генерация речи. Каскады в сегментации
10. Создание собственных блоков нейронок
11. Deploy нейронок на собственный сервер

Курс о Deep Learning на пальцах

Курс не претендует на полноту, скорее это способ поиграться руками с основными областями, где deep learning устоялся как практический инструмент, и получить достаточную базу, чтобы свободно читать и понимать современные статьи. Материалы курса были опробованы на студентах кафедры АФТИ Новосибирского Государственного Университета, поэтому есть шанс, что по ним действительно можно чему-то научиться.

Курс требует:

• Знания математики на уровне первого-второго курса университета: надо знать немного теории вероятностей, линейную алгебру, основы матанализа и анализ функций многих переменных. Если все это прошло мимо вас, вот все нужные курсы от MIT и Harvard. В них типично достаточно пройти первые две секции.
• Умения программировать на питоне.

В хорошем курсе должны быть доступны и лекции, и упражнения, и место, где можно задать по ним вопросы и обсудить. Здесь они собраны с миру по нитке:

• Лекции существуют как записи на Youtube.
• В качестве упражнений можно использовать задания великолепных Стенфордских курсов по DeepLearning (CS231n и CS224n), я ниже напишу какие конкретно.
• Обсуждать и спрашивать можно на ClosedCircles и ODS.ai.

MLcourse

Открытый курс машинного обучения

mlcourse.ai — это открытый курс по машинному обучению, разработанный OpenDataScience (ods.ai) под руководством автор Юрий Кашницкий (yorko). Имея докторскую степень. Имея степень по прикладной математике и степень магистра Kaggle Competitions, Юрий стремился разработать курс ML с идеальным балансом между теорией и практикой. Таким образом, курс встречает вас математическими формулами на лекциях и большим количеством практики в виде заданий и соревнований Kaggle Inclass. В настоящее время курс находится в режиме самостоятельного обучения.

Кратко о курсе:

• Одним из заданий на прошлых сессиях mlcourse.ai было написание учебного пособия практически по любой теме, связанной с ML/DS. Результат можно увидеть на странице Руководства;
• Одной из мотивирующих особенностей прошлых сессий mlcourse.ai была таблица лидеров. Топ-100 участников каждой сессии перечислены на странице Рейтинг;
• На странице Ресурсы перечислены другие ресурсы, составляющие курс, например. Плейлисты YouTube или статьи на Medium/Habr.com, написанные в прошлом;
• Авторы и некоторые участники mlcourse.ai (их было слишком много, чтобы перечислить всех) перечислены на странице . Там же есть благодарности.

Google Cloude

Введение в искусственный интеллект и машинное обучение в Google Cloud

В этом курсе представлены предложения искусственного интеллекта (ИИ) и машинного обучения (ML) в Google Cloud, которые поддерживают жизненный цикл преобразования данных в ИИ посредством основ ИИ, разработки ИИ и решений ИИ. В нем исследуются технологии, продукты и инструменты, доступные для создания модели ML, конвейера ML и проекта генеративного ИИ, основанного на различных целях пользователей, включая специалистов по данным, разработчиков ИИ и инженеров ML. Завершите это задание и получите значок! Повысьте свою карьеру в облачных технологиях, продемонстрировав миру свои навыки.

Программа курса:

• Введение

В этом модуле рассматривается цель курса — помочь учащимся ориентироваться в инструментах разработки искусственного интеллекта в Google Cloud. В нем также представлен обзор структуры курса, основанной на трехуровневой платформе искусственного интеллекта в Google Cloud.

• Фонды искусственного интеллекта

В этом модуле основное внимание уделяется основам искусственного интеллекта, включая облачную инфраструктуру, такую ​​​​как вычисления и хранение. В нем также объясняются первичные данные и продукты для разработки искусственного интеллекта в Google Cloud. Наконец, он демонстрирует, как использовать BigQuery ML для построения модели машинного обучения, которая помогает перейти от данных к искусственному интеллекту.

• Варианты развития ИИ

В этом модуле рассматриваются различные варианты разработки проекта машинного обучения в Google Cloud: от готовых решений, таких как предварительно обученные API, до решений без кода и с малым количеством кода, таких как AutoML, и решений на основе кода, таких как индивидуальное обучение. В нем сравниваются преимущества и недостатки каждого варианта, чтобы помочь выбрать правильные инструменты разработки.

• Рабочий процесс разработки ИИ

В этом модуле рассматривается рабочий процесс машинного обучения от подготовки данных до разработки модели и ее обслуживания с помощью Vertex AI. Здесь также показано, как преобразовать рабочий процесс в автоматизированный конвейер с помощью Vertex AI Pipelines.

• Генеративный ИИ

Этот модуль знакомит с генеративным искусственным интеллектом, последним достижением в области искусственного интеллекта, и моделями большого языка (LLM), технологией, которая его поддерживает. Также рассматриваются различные инструменты разработки генеративного искусственного интеллекта в Google Cloud, такие как Generative AI Studio и Model Garden. Наконец, в нем обсуждаются решения искусственного интеллекта и встроенные возможности генеративного искусственного интеллекта.

• Краткое содержание

Этот модуль представляет собой краткое изложение всего курса, охватывая наиболее важные концепции, инструменты, технологии и продукты.

Stepik

Быстрый старт в искусственный интеллект

Искусственный интеллект — один из самых активно растущих секторов IT. Онлайн курс «Быстрый старт в искусственный интеллект» познакомит с базовыми областями искусственного интеллекта. В рамках курса раскрываются такие темы, как алгоритмы машинного обучения, нейронные сети, обработка текста и многие другие.

Курс рассчитан на четыре недели — по неделе на модуль. Каждое занятие состоит из видеолекций, посвященных определенной тематике, а также практических задач, которые помогут закрепить пройденный материал на практике.

Модули программы:

Модуль 1: Машинное обучение
Модуль 2: Компьютерное зрение
Модуль 3: Обработка естественного языка
Модуль 4: Математические идеи в анализе данных и искусственном интеллекте

Онлайн-курс «Быстрый старт в искусственный интеллект» — это первая часть программы интенсивной подготовки по спортивному программированию и искусственному интеллекту RuCode Festival, реализуемой МФТИ совместно с Фондом развития Физтех-школ при поддержке Фонда президентских грантов.

ITEA Online

Курс Deep Learning

Стать Machine Learning Engineer? С ITEA! Deep Learning — обучение, которое поможет начинающим специалистам по Machine Learning воплощать собственные решения задач компьютерного зрения. С ITEA ты научишься использовать нейронные сети для обработки естественного языка и задач компьютерного зрения легко и эффективно. Курс Deep Learning требует определенную базу для комфортного обучения. Тебе понадобится небольшой опыт разработки на языке Python и понимание, как этот язык программирования используется при работе с большими данными.

Минимальные требования для поступления на курс:

• Наличие собственного ноутбука для занятий в аудиториях;
• Пройденный курс «Python для Data Science».

Если у тебя есть сомнения, достаточно ли твоей подготовки, чтобы пройти курсы Deep Learning, запишись на бесплатную консультацию, и наши специалисты ответят на все твои вопросы.

Полный курс включает в себя 20 занятий, которые проводятся в вечернее время. Ты подключаешься к Zoom-трансляции, видишь и слышишь своих одногруппников и преподавателя. Твои интерактивные уроки будут проходить 2-3 раза в неделю. Каждое занятие — это 3 часа, которые будут уходить на изучение материала курса и его практическое применение. Даже в случае пропуска ты не отстанешь от группы: после каждой трансляции высылается запись.

Lerna

Курс Machine Learning и Deep Learning

Machine Learning vs Deep Learning — в чем разница?

Как подобрать нужный алгоритм? «Потрогаете руками» все алгоритмы и разберемся на практике — где нужны нейронные сети, а где достаточно классических алгоритмов. Комплексный подход, организованный на курсе Machine Learning Pro + Deep Learning, подойдет для тех, кто хочет прокачаться в программировании глубоких нейронных сетей и моделей машинного обучения. Прохождение курсов потребует базового знания языка Python. В процессе обучения вы освоите все классические алгоритмы машинного обучения — от деревьев до рекомендательных систем, а также научитесь создавать различные нейронные сети. Вас ждут хакатоны и in class соревнования на kaggle.

После курса вы научитесь:

• Программировать на Python и использовать этот язык для анализа и обработки данных
• Разрабатывать модель предсказания кредитного рейтинга
• Получать данные из разных источников: базы данных, файлы, интернет
• Создавать систему рекомендаций подходящих товаров при покупке
• Работать с моделями и алгоритмами машинного обучения и решать на их основе практические задачи
• Строить модель для увеличения продаж в розничном бизнесе

Скилбокс

Machine Learning с нуля до Junior

Специалист по Machine Learning, или ML-инженер анализирует большие объёмы информации, создаёт модели для прогнозирования в бизнесе, медицине, промышленности. Задача ML-инженера — обучать нейросети, проектировать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения. а год подготовитесь к работе ML-инженером: получите необходимую математическую подготовку, освоите Python, научитесь работать с данными и создадите свои первые модели машинного обучения.

Чему вы научитесь?

• Аналитически мыслить

Научитесь самостоятельно разрабатывать план решения проблемы, выдвигать и проверять гипотезы, интерпретировать результаты и представлять их руководству.

• Работать с инструментами анализа данных

Узнаете, как проводить разведочный анализ данных, и освоите Excel для аналитики. Научитесь визуализировать данные в Power BI и программировать на Python и SQL.

• Строить ML-модели

Освоите алгоритмы машинного обучения с учителем и без. Научитесь решать задачи регрессии, классификации и кластеризации. Построите свои первые модели.

• Извлекать данные из различных источников

Поймёте, как читать данные различных форматов при помощи Python и SQL. Научитесь писать запросы к API, получать, очищать и сохранять данные в разных форматах.

• Настраивать инфраструктуру

Познакомитесь с пайплайнами работы модели: от сборки данных до мониторинга результатов.

• Работать в Git

Будете создавать репозитории и отслеживать изменения в коде, подготовитесь к командной работе в проекте.