Машинное обучение и нейросети с нуля
Полный путь от первой модели до трансформеров, диффузии и обучения с подкреплением. Каждая идея — сначала на пальцах и на бытовом примере, потом формула и код на Python. Для студентов и тех, кто заходит в IT с нуля.
Полный курс — 9 900 ₽ разовая покупка, доступ навсегда
20 уроков, 6 модулей
Первые четыре урока открыты — читай прямо здесь. Остальные доступны в полном курсе с разбором и поддержкой.
Модуль 0 · Старт
Модуль 1 · Классический ML
Что такое машинное обучение
«Модель учится» на примере, типы задач, k-ближайших соседей «спроси у соседей», честная проверка train/test.
Читать →Линейная регрессия
Первая модель: предсказываем число. MSE, обучение в sklearn, R² и квартет Анскомба — почему нельзя верить одной метрике.
Читать →Как модель учится: градиентный спуск
Спуск по поверхности ошибки шаг за шагом: градиент «на пальцах», learning rate, нормализация, SGD.
Читать →Классификация и логистическая регрессия
Сигмоида, вероятности и порог, граница принятия решения, softmax для нескольких классов.
Открыть в курсе →Метрики и переобучение
Почему accuracy обманывает. Confusion matrix, precision/recall/F1, ROC-AUC; train/val/test и кросс-валидация.
Открыть в курсе →Признаки: подготовка данных
Кодирование категорий (осторожно с утечкой), масштабирование, пропуски, EDA; PCA и UMAP как визуализация.
Открыть в курсе →Деревья, лес и бустинг
Дерево решений, bias-variance как «стрельба по мишени», Random Forest и градиентный бустинг (CatBoost).
Открыть в курсе →Модуль 2 · Нейросети
Нейросети: от нейрона к сети
Ограничения линейных моделей, перцептрон, универсальная аппроксимация картинкой, интуиция backprop.
Открыть в курсе →Первая сеть на PyTorch
Dataset/DataLoader, слои, loss и оптимизатор, цикл обучения на MNIST, сохранение весов.
Открыть в курсе →Как заставить сеть учиться
Затухание градиента, BatchNorm, Dropout, Adam, early stopping — рабочий «рецепт по умолчанию».
Открыть в курсе →Модуль 3 · Компьютерное зрение
Свёрточные сети и зрение
Фильтр ищет паттерн: свёртка, pooling, padding, stride; визуализация фильтров и аугментации.
Открыть в курсе →Готовые модели и transfer learning
История CNN как три идеи (глубина → ResNet → предобучение); дообучение готовой сети по шагам.
Открыть в курсе →Сегментация и детектирование
Задача масок и рамок, IoU интуитивно, U-Net и YOLO как готовые инструменты, Segment Anything.
Открыть в курсе →Модуль 4 · Последовательности и язык
Последовательности: RNN, ряды и текст
Временные ряды, RNN/LSTM как «память с вентилями», как превратить слова в числа: от BoW к эмбеддингам.
Открыть в курсе →Трансформеры и большие модели
Attention как «на что я смотрю» (Q/K/V на бытовом примере), Transformer, BERT/GPT, обзор LLM и ViT.
Открыть в курсе →Модуль 5 · Генерация, объяснимость, агенты
Представления и автоэнкодеры
Эмбеддинг = «сжатый смысл», сиамские сети, CLIP, автоэнкодеры и VAE (KL — со звёздочкой).
Открыть в курсе →Генеративные модели: GAN и диффузия
GAN «фальшивомонетчик против полиции», диффузия «зашумил → отшумляем» — как работают Midjourney и Stable Diffusion.
Открыть в курсе →Объяснимость: куда смотрит модель
SHAP «вклад каждого признака», Grad-CAM «куда смотрела сеть», adversarial-атаки.
Открыть в курсе →Обучение с подкреплением
Агент, среда и награда, ε-жадная стратегия, Q-learning интуитивно, Deep Q-Learning и играбельный CartPole.
Открыть в курсе →Как устроено занятие
Сначала интуиция
Каждая идея — на бытовой аналогии и примере, прежде чем появится хоть одна формула.
Потом формула
Математика с разбором, без пропущенных шагов. Всё тяжёлое — в блоке «для любопытных ★».
Потом код
Короткие реальные фрагменты на Python: sklearn и PyTorch, которые можно запустить.
И практика
SVG-визуализации, ключевые выводы и домашка с разбором к каждому уроку.
Чему ты научишься
Весь курс — одна покупка
16 платных уроков с полным разбором, кодом и скачиваемыми ноутбуками. Доступ навсегда, без подписки.
После оплаты доступ ко всем урокам откроется автоматически в личном кабинете — вход по вашему email.
9 900 ₽ — единоразово, доступ навсегда