В этом репозитории собраны мои материалы и решения по курсу Deep Learning (семестр 1, осень 2025) от Deep Learning School на Stepik.
Репозиторий содержит:
- ноутбуки семинаров с моими комментариями,
- решения домашних заданий.
Цель репозитория — показать процесс изучения курса и результаты моей работы с нейросетями и машинным обучением.
Папка seminars/ содержит ноутбуки семинаров с дополнительными комментариями.
Оригинальные ноутбуки доступны в репозитории авторов курса, здесь же я добавляю свои пояснения, чтобы лучше понимать материал и ориентироваться в теме.
Эти ноутбуки в первую очередь служат для собственного обучения и демонстрации процесса работы с материалом.
- Основы машинного обучения
- Линейные модели
- Композиции алгоритмов и выбор модели
- Введение в нейронные сети
- Сверточные нейронные сети
- Продвинутое обучение нейросетей
- Архитектуры CNN и Fine-Tuning
- Семантическая сегментация
- Основы области Explainable AI
- Детекция объектов
- Генеративные модели и автоэнкодеры
- Генеративно-состязательные сети
Папка homeworks/ содержит мои решения.
- Задача предсказания выживет ли персонаж из Игры Престолов
- Линейные модели и градиентный спуск
- Предсказание оттока пользователей, ML-соревнование
- Полносвязные и сверточные нейронные сети
- Классификация изображений персонажей из Симпсонов
- Сегментация медицинских снимков
- Детекция объектов
- Обучение автоэнкодеров для генерации лиц и для генерации рукописных символов
- Обучение GAN, построение пайплайна редактирования изображений
В папке scripts/ находится вспомогательный скрипт nbgrep.py
для удобного поиска кода и текста внутри всех .ipynb в репозитории.
Скрипт полезен при большом количестве ноутбуков — позволяет быстро найти, где используется конкретный класс, функция или обсуждается нужная тема. Пример использования:
python scripts/nbgrep.py GridSearchCV
python scripts/nbgrep.py сверточные
Для удобной ориентации по репозиторию я веду файл description.csv.
В нём собрана структурированная информация по каждому ноутбуку:
- номер и название семинара / домашнего задания,
- используемые данные,
- краткое описание содержания и результата,
- ключевые темы.
Этот файл позволяет быстро понять, где искать нужную тему или пример, без просмотра всех ноутбуков подряд.
- Python 3.10+
- NumPy, pandas, matplotlib, seaborn
- PyTorch
- Google Colab
- scikit-learn