Practical Deep Learning for Coders 2022: https://www.youtube.com/watch?v=8SF_h3xF3cE&list=PLfYUBJiXbdtSvpQjSnJJ_PmDQB_VyT5iU
https://www.dls.samcs.ru/faq - FAQ.
https://www.dls.samcs.ru — DLS официальный сайт.
https://vk.com/dlschool_mipt — официальное сообщество ВКонтакте.
https://t.me/dls_fall2023_advanced — Telegram-чат.
https://t.me/deep_learning_school_news -- Telegram-канал.
https://goo.gl/6cLVfX — официальный канал на YouTube. Здесь выкладываются все видео со всех курсов DLS, а также другие интересные вещи.
https://www.youtube.com/watch?v=CPlYV_DryEo&list=PLVlY_7IJCMJeRfZ68eVfEcu-UcN9BbwiX - канал Yury Kashnitsky, mlcourse.ai.
https://www.youtube.com/@hse-cs-lectures/playlists - ФКН ВШЭ, дистанционные занятия.
https://www.youtube.com/watch?v=HLg4EpeqZP0&list=PLEwK9wdS5g0pAJyqWc9bKj1JjARM_jnzx - ФКН ВШЭ, Машинное обучение 1.
https://www.youtube.com/playlist?list=PLEwK9wdS5g0oCRxBzxsq9lkJkzMgzWiyg - ФКН ВШЭ, Основы машинного обучения.
https://www.youtube.com/playlist?list=PLlb7e2G7aSpRb95_Wi7lZ-zA6fOjV3_l7 - Computer Science Center, Анализ данных на Python в примерах и задачах. Часть 1.
DLS курс состоит из трёх семестров + курс по Speech.
Первый семестр будет посвящён основам нейросетей, свёрточным нейронным сетям и компьютерному зрению.
Во втором семестре мы расскажем про обработку текстов и аудиосигналов, а также затронем некоторые общие темы, о которых не успели поговорить в первом семестре.
Курсы состоят из следующих элементов.
-
Материалы занятий — видеозаписи лекций и семинаров, а также соответствующие им .ipynb-файлы (чуть позже вы поймёте, что это за расширение), которые используются в ходе занятия.
-
Домашние задания бывают двух типов: без оценки и с оценкой. Мы всегда указываем в jupyter-ноутбуках (этих самых .ipynb-файлах) на задания, которые нужно сделать самостоятельно. Домашние задания бывают следующих видов:
--- Автоматические тесты в Stepik. В этом случае ответ на задание (как правило, это числовой ответ, являющийся результатом выполнения кода, или сам код программы) будет проверен системой. Для удобства такие задания будут как правило объединены в единый jupyter-ноутбук с домашним заданием. На наш взгляд, удобнее выполнять задания в jupyter-ноутбуке, а затем сдавать в тестирующую систему
--- Ноутбуки, которые необходимо заполнить и сдать на проверку преподавателям. Такие ноутбуки также нужно будет сдавать в Stepik. Часто ноутбуку соответствует контест на платформе kaggle.com. В этом случае основным критерием оценки будет ваш результат в контесте.
У всех домашних заданий будут дедлайны. Следите за сроками сдачи на платформе. Дедлайны в индивидуальном порядке переносятся только по предварительному согласованию с администраторами курса и только по уважительной причине (например, болезнь является уважительной причиной, а сессия или завал на работе --- нет).
После дедлайна будут появляться ответы и ноутбуки с решениями, и мы настоятельно рекомендуем их смотреть и понимать, где же у вас была ошибка.
- Итоговый проект выполняется участниками курса под руководством ментора. Проект необходимо сдать, чтобы получить диплом наивысшей степени по окончании курса. Информация о проектах появится ближе к концу курса в наших Telegram-ресурсах и здесь, на платформе.
Оптимальный алгоритм действий на протяжении курса, на наш взгляд, такой:
-
посмотреть видео по очередной теме, открыв материалы занятия параллельно с видео (чтобы был эффект присутствия);
-
тщательно изучить "полезные ссылки" в конце ноутбуков с семинаров (они действительно полезные!);
-
ещё раз просмотреть материалы, убедиться, что вы практически всё поняли, если нет, то задать вопрос в обсуждении темы/телеграм-чате;
-
собраться с духом и открыть домашнее задание (контрольную) в Stepik, ведь остался всего час до дедлайна (шутка — никогда так не делайте, всегда решайте ДЗ заранее);
-
решить все задачи; если что-то непонятно по условию или вы не согласны с ответом, то сначала посмотреть, не спрашивали ли это до вас в обсуждении; если нет, то спросить;
-
ждать следующих материалов, вернуться к первому шагу.
DLS курс требует от слушателей подготовки в сразу нескольких областях:
-- основы языка Python и хорошие навыки программирования на одном из объектно-ориентированных языков программирования (Python, C/C++, Java, ...) -- библиотеки Numpy, Pandas и Matplotlib; -- линейная алгебра: векторная алгебра, матричное исчисление; -- математический анализ: производная, градиент, основы градиентной оптимизации.
Если этот материал в основном вам знаком, то для успешного прохождения курса достаточно подтянуть темы, вызвавшие затруднения. Это можно сделать, например, в курсе "AIstart", который мы сделали совместно с Академией искусственного интеллекта и фондом "Вклад в будущее". Из этого курса вам понадобятся следующие модули:
Основы Python -- модули 2, 3, 4, 5 Основы линейной алгебры -- модуль 6 Библиотека Numpy -- модули 7, 8 Основы теории вероятностей и математической статистики -- модуль 9 Библиотеки Pandas и Matplotlib -- модули 10, 11 Основные понятия математического анализа -- модули 15, 16. Модули этого курса совсем не обязательно проходить в том порядке, в котором указано здесь; достаточно будет лишь подтянуть те темы, в которых вы не чувствуете себя уверенно.
Обратите внимание, что мы при всем желании не смогли бы включить в этот курс основы программирования, алгоритмы и структуры данных. Поэтому, если у вас нет или почти нет опыта программирования, вероятно, данный курс окажется для вас слишком сложным. При этом, если вы уже владеете одним из объектно-ориентированных языков программирования, то переход на язык Python для вас не окажется слишком сложным -- в таком случае, занятий из курса "AIstart" будет вполне достаточно.
Желаем удачи!