15 бесплатных курсов по машинному обучению и нейронным сетям

Для всех, кто хочет начать разбираться в искусственном интеллекте. 🤖

«Введение в науку о данных» от СПбГУ

Продолжительность курса: 5 недель = 2–5 часов в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Введение.
2. Математический инструментарий науки о данных.
3. Программный инструментарий науки о данных.
4. Машинное обучение: обучение с учителем.
5. Машинное обучение: обучение без учителя.

Что узнаете и чему научитесь:

• Работать с массивами данных любого размера
• Работать с большими данными с помощью новых принципов математического и вычислительного моделирования
• Пользоваться инструментальной базой на практике
• Основы предметной области через постановку и решение типичных задач

Кто проводит курс

«Искусственный интеллект для каждого» от DeepLearning.AI

Продолжительность курса: 4 недели = 1–2 часа в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Что такое ИИ?
2. Создание ИИ-проектов.
3. Создание ИИ в вашей компании.
4. ИИ и общество.

Что узнаете и чему научитесь:

• Значение общей терминологии искусственного интеллекта, включая нейронные сети, машинное обучение, глубокое обучение и науку о данных
• Создавать проекты в области машинного обучения и науки о данных
• Создавать ИИ для своей компании
• Ориентироваться в этических и общественных дискуссиях, связанных с ИИ

Особенности курса:

• Несмотря на то, что курс на английском языке, видеоуроки сопровождаются русскими субтитрами, что делает их понятными и лёгкими для восприятия

Преподаватель курса

«Машинное обучение» от Стэнфордского университета

Продолжительность курса: 11 недель = 2–8 часов в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Введение. Линейная регрессия с одной переменной. Обзор линейной алгебры.
2. Линейная регрессия с несколькими переменными. Учебник Octave/Matlab.
3. Логистическая регрессия. Регуляризация.
4. Нейронные сети: представление.
5. Нейронные сети: обучение.
6. Советы по применению машинного обучения. Проектирование систем машинного обучения.
7. Машины вектора поддержки.
8. Неконтролируемое обучение. Уменьшение размерности.
9. Обнаружение аномалий. Рекомендательные системы.
10. Крупномасштабное машинное обучение.
11. Пример применения: Photo OCR.

Что узнаете и чему научитесь:

• Что такое машинное обучение и как его использовать в работе
• Что такое контролируемое и неконтролируемое обучение и как его применять
• Применять алгоритмы обучения для создания умных роботов

Особенности курса:

• Курс на английском языке, но каждый видеоурок сопровождается русскими субтитрами

Преподаватель курса

«Глубокое обучение» от DeepLearning.AI

Продолжительность курса: 5 месяцев = 7 часов в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Нейронные сети и глубокое обучение.
2. Совершенствование глубоких нейронных сетей: настройка гиперпараметров, регуляризация и оптимизация.
3. Структурирование проектов машинного обучения.
4. Свёрточные нейронные сети.
5. Модели последовательностей.

Что узнаете и чему научитесь:

• Создавать и обучать нейронные сети
• Строить нейронные сети в TensorFlow
• Создавать свёрточные нейронные сети и применять их
• Создавать рекуррентные нейронные сети и обучать их

Особенности курса:

• Необходимы базовые навыки программирования на Python и знание основ линейной алгебры и машинного обучения
• Несмотря на то, что видеоуроки на английском языке, все они сопровождаются русскими субтитрами, что делает их лёгкими к восприятию

Преподаватели курса

«Нейронные сети» от Stepik

Продолжительность курса: 24 урока.

Формат обучения: текстовые уроки + видеоуроки + тесты.

Обратная связь: есть.

С сертификатом

Программа обучения:

1. Основы линейной алгебры.
2. Перцептрон и градиентный спуск.
3. Алгоритм обратного распространения ошибки.
4. Мониторинг состояния сети.
5. Сюрприз и заключение.

Что узнаете и чему научитесь:

• Основы линейной алгебры: векторы и матрицы
• Что такое перцептрон и градиентный спуск
• Алгоритмы, лежащие в основе обучения нейронных сетей

Особенности курса:

• Необходимы школьные знания о математике: производные, логарифмы, степени
• Нужно знать основы программирования на Python

Преподаватели курса

«Создание моделей машинного обучения» от Microsoft

Продолжительность курса: 5 модулей = 6 часов.

Формат обучения: текстовые уроки + тесты.

Обратная связь: нет.

Без сертификата

Программа обучения:

1. Изучение и анализ данных с помощью Python.
2. Обучение и оценка моделей регрессии.
3. Обучение и оценка моделей классификации.
4. Обучение и оценка моделей кластеризации.
5. Обучение и оценка моделей глубокого обучения.

Что узнаете и чему научитесь:

• Использовать библиотеки NumPy, Pandas и Matplotlib
• Что такое модели регрессии и когда их надо использовать
• Когда следует использовать классификацию
• Что такое кластеризация и когда её нужно применять
• Основные принципы глубокого обучения
• Использовать платформу Scikit-learn и работать с Tensorflow

Особенности курса:

• Необходимо знать основные математические понятия
• Нужно владеть основами программирования на Python

Кто проводит курс

«Академия искусственного интеллекта» от «СберБанка»

Продолжительность курса: 10 уроков.

Формат обучения: видеоуроки.

Обратная связь: нет.

Без сертификата

Программа обучения:

1. Искусственный интеллект сегодня.
2. Истоки ИИ 1950–1990.
3. Недавние вехи ИИ.
4. Новейшие разработки ИИ.
5. Резюме.
6. Введение в машинное обучение.
7. Обучение с учителем.
8. Модели машинного обучения.
9. Пример задачи машинного обучения.
10. Итоги.

Что узнаете и чему научитесь:

• Историю возникновения ИИ
• Основы машинного обучения

Особенности курса:

• Занятия рассчитаны на школьников 7–11 классов
• Короткие видеоуроки способствуют лучшему усвоению материала

Кто проводит курс

«Нейросети на Python» от Андрея Созыкина

Продолжительность курса: 11 уроков.

Формат обучения: видеоуроки.

Обратная связь: есть (в комментариях под видео).

Без сертификата

Программа обучения:

1. Введение.
2. Искусственные нейронные сети.
3. Обучение нейронных сетей.
4. Библиотеки глубокого обучения.
5. Распознавание элементов одежды.
6. Анализ качества обучения нейронной сети.
7. Бесплатная облачная платформа для нейросетей Google Colab.
8. Как сохранить нейронную сеть.
9. Применяем нейросеть для распознавания изображений.
10. Решение задачи регрессии.
11. Keras Tuner — автоматическая оптимизация гиперпараметров нейросети.

Что узнаете и чему научитесь:

• Основы обучения нейронных сетей
• Использовать Google Colab для работы с кодом
• Применять нейронные сети с использованием готовых библиотек Keras и TensorFlow

Автор курса

«Нейросети для анализа текстов» от Андрея Созыкина

Продолжительность курса: 14 уроков.

Формат обучения: видеоуроки.

Обратная связь: есть (в комментариях под видео).

Без сертификата

Программа обучения: слушатели узнают об обучении нейронных сетей для анализа текстов. Познакомятся с сетями LSTM и GRU и с их помощью смогут проанализировать тональность отзывов YELP и IMDB.

Что узнаете и чему научитесь:

• Создавать нейронные сети, которые смогут анализировать тексты

Автор курса

«Нейросети для анализа изображений» от Андрея Созыкина

Продолжительность курса: 10 уроков.

Формат обучения: видеоуроки.

Обратная связь: Есть (в комментариях под видео).

Без сертификата

Программа обучения:

1. Свёрточные нейронные сети.
2. Распознавание объектов на изображениях.
3. Предварительно обученные нейронные сети.
4. Как подготовить свой набор изображений в Keras.
5. Перенос обучения.
6. Тонкая настройка нейронной сети.
7. Анализ признаков, извлеченных нейросетью.
8. Дополнение данных.
9. Визуализация сверточных нейросетей.
10. Загрузка своего набора изображений в TensorFlow.

Что узнаете и чему научитесь:

• Программировать глубокие нейронные сети на Python для анализа изображений
• Пользоваться TensorFlow

Автор курса

«Практическое компьютерное обучение» от Университета Джона Хопкинса

Продолжительность курса: 4 недели = 1–3 часа в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Прогнозирование, ошибки и перекрёстная проверка.
2. Пакет Caret.
3. Прогнозирование с помощью алгоритмов Decision trees и Random Forests. Прогнозы на основе моделей.
4. Регуляризованная регрессия и комбинирование предикторов.

Что узнаете и чему научитесь:

• Использовать основные компоненты построения и применения функций прогнозирования
• Что такое наборы обучения и тестов, переоснащение и частота ошибок
• Методы машинного обучения
• Строить функции прогнозирования

Особенности курса:

• Весь курс на английском языке, но видеоуроки имеют русские субтитры

Преподаватели курса

«Machine Learning Foundations: A Case Study Approach» от Вашингтонского университета

Продолжительность курса: 6 недель = 3–4 часа в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Введение.
2. Регрессия: прогнозирование цен на жильё.
3. Классификация: анализ настроений.
4. Кластеризация и аналогия: получение документов.
5. Рекомендательная система.
6. Глубокое обучение: поиск изображений. Последние штрихи.

Что узнаете и чему научитесь:

• Программировать на Python
• Основы машинного обучения
• Применять регрессию, классификацию, кластеризацию, поиск, рекомендательные системы и глубокое обучение
• Проектировать приложения, в основе которых лежит машинное обучение

Особенности курса:

• Несмотря на то, что курс на английском языке, все видеоуроки имеют русские субтитры, что делает их лёгкими для понимания

Преподаватели курса

«Artificial Intelligence for Robotics» от Udacity

Продолжительность курса: 2 месяца.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Без сертификата

Программа обучения:

1. Локализация.
2. Фильтры Калмана.
3. Фильтры частиц.
4. Поиск.
5. Управление PID.
6. SLAM.

Что узнаете и чему научитесь:

• Методы искусственного интеллекта
• Что такое SLAM и как его использовать в работе
• Программировать основные системы роботизированного автомобиля

Особенности курса:

• Все занятия на английском языке
• Потребуются навыки программирования на Python

Преподаватель курса

«Machine Learning: Regression» от Вашингтонского университета

Продолжительность курса: 6 недель = 3–5 часов в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Введение. Простая линейная регрессия.
2. Множественная регрессия.
3. Оценка эффективности.
4. Регрессия хребта.
5. Выбор функций и Lasso.
6. Ближайшие соседи и регрессия ядра. Последние штрихи.

Что узнаете и чему научитесь:

• Что такое линейная регрессия
• Использовать регрессионный анализ в работе, в том числе и метод Lasso
• Строить регрессионные модели для прогнозирования цен на жильё

Особенности курса:

• Несмотря на то, что курс на английском языке, все видеоуроки имеют русские субтитры, что делает их лёгкими для понимания

Преподаватели курса

«Machine Learning With Big Data» от Калифорнийского университета в Сан-Диего

Продолжительность курса: 5 недель = 3–6 часов в неделю.

Формат обучения: видеоуроки + текстовые материалы + тесты.

Обратная связь: нет.

Сертификат: выдаётся (платно)

Программа обучения:

1. Введение. Машинное обучение с использованием больших данных.
2. Исследование данных. Подготовка данных.
3. Классификация.
4. Оценка моделей машинного обучения.
5. Регрессионный, кластерный и ассоциативный анализ.

Что узнаете и чему научитесь:

• Применять методы машинного обучения для изучения и подготовки данных для моделирования
• Создавать модели, которые смогут извлекать уроки из данных
• Алгоритмы машинного обучения на Spark

Особенности курса:

• Несмотря на то, что курс на английском языке, все видеоуроки имеют русские субтитры, что делает их лёгкими для понимания

Преподаватели курса