Модуль 1. Введение в искусственный интеллект
Изучите основы ИИ: его историю, типы, задачи и современные применения. Познакомьтесь с инструментами для работы на курсе (Colab, Jupyter, Yandex DataSphere).

Модуль 2. Основы машинного обучения
В этом модуле вы узнаете, что такое обучение с учителем, как выглядит решение задачи машинного обучения и что такое обучение модели, а также познакомитесь с основными библиотеками для работы с данными.

Модуль 3. Линейные модели
В этом модуле вы погрузитесь в линейные алгоритмы (линейная и логистическая регрессия), изучите регуляризацию и их практическое применение.

Модуль 4. Композиции алгоритмов и выбор модели
В этом модуле вы изучите ансамблевые методы (Random Forest, Gradient Boosting), решающие деревья и техники выбора оптимальной модели.

Модуль 5. Введение в нейронные сети
В этом модуле вы познакомьтесь с полносвязными нейронными сетями: их структурой, алгоритмом обратного распространения ошибки и работой в PyTorch.

Модуль 6. Сверточные нейронные сети
В этом модуле вы узнайте, как сверточные нейронные сети (CNN) обрабатывают изображения, изучите операции свертки и pooling, а также познакомитесь с задачей классификации.

Модуль 7. Продвинутое обучение нейронных сетей
В этом модуле вы освоите техники оптимизации нейронных сетей: регуляризация, нормализация и настройка гиперпараметров. Также вы узнаете, какие архитектурные методы могут служить в качестве регуляризации при обучении.

Модуль 8. Архитектуры CNN и дообучение
В этом модуле вы изучите популярные архитектуры CNN (ResNet, EfficientNet) и методы дообучения (Transfer Learning, Fine-Tuning), а также на практике рассмотрите решение задачи классификации изображений.

Модуль 9. Семантическая сегментация
В этом разделе вы познакомитесь с постановкой задачи сегментации, узнаете про специальные архитектуры для решения данной задачи, познакомитесь с архитектурой UNet.

Модуль 10. Детекция объектов
В этом модуле вы познакомитесь с методами решения ещё одной классической задачи компьютерного зрения — задачи детекции объектов. Вы узнаете про основные архитектуры для решения задачи (YOLO, Faster R-CNN), а также на практике реализуете свой детектор с нуля.

Модуль 11. Генеративные модели и автоэнкодеры
В этом модуле вы начнёте изучение генеративных моделей, познакомитесь с автоэнкодерами, GLO, вариационными автокодировщиками и VQVAE.

Модуль 12. Генеративно-состязательные сети
В этом модуле мы продолжаем рассказ о генеративных моделях. Тут мы поговорим о Generative Adverarial Networks (GAN). Вы узнаете об основных преимуществах и недостатках GAN, познакомитесь с архитектурой StyleGAN и поймете как применять эти модели в разных задачах.

Поступить на курс часть 1: Intro to ML and DL. Computer Vision.