От первого Python-кода до моделей для изображений, текстов и звука. У каждого курса — своя программа, требования к подготовке и один понятный итоговый проект.
Неделя 1 — Python, переменные, условия и циклы; запуск ноутбука.
Неделя 2 — функции, основы ООП и команды Linux в Colab.
Неделя 3 — NumPy, матрицы и операции с массивами.
Неделя 4 — загрузка файлов, Pandas, очистка и разбор форматов.
Неделя 5 — Matplotlib, Seaborn и объяснение графиков.
Неделя 6 — собственный ноутбук подготовки данных и инструкция запуска.
Подготовка: Можно начать без опыта.
21 материал включает дополнительные задания по ООП, парсингу, истории на Python и простому веб-серверу. Выбираем нужные упражнения, а не проходим весь архив подряд.
Исходные ноутбуки
Материалы для выбора упражнений, не число обязательных уроков. Архивные файлы могут требовать обновления зависимостей и доступа к данным.
colab linux ↗Исторический архив · запуск проверяется перед занятием
В архиве — анализ HH / ЦИАН и две работы по вероятности. Итоговую регрессию можно согласовать на задаче House Prices из Kaggle Getting Started. Это отдельный вариант практики, а не готовое решение из архива; правила и доступность данных проверяем до старта.
Исходные ноутбуки
Материалы для выбора упражнений, не число обязательных уроков. Архивные файлы могут требовать обновления зависимостей и доступа к данным.
Перенос обучения: замороженная основа и новый выходной слой
Дообучение части готовой сети с небольшой скоростью обучения; сравнение на отложенных данных
План по этапам
Недели 1–2 — изображения, разметка, разбиение и небольшая CNN.
Недели 3–4 — свёртки, переобучение и классификация на выбранном наборе.
Недели 5–6 — для переноса обучения: заморозить основу, обучить выходной слой, затем сравнить дообучение части сети; детекция и сегментация — альтернативные задачи.
Недели 7–8 — один выбранный проект, метрики, ошибки и отчёт; для Digit Recognizer на Kaggle — подготовка файла прогнозов по правилам задачи.
18 материалов: 7 работ CV, 10 исторических исследований медицинских изображений и упражнение Terra AI. Медицинские примеры — разбор учебных моделей, не диагностика; полный запуск всех архитектур в курс не входит.
Неделя 1 — исходная модель, метрика и бюджет экспериментов.
Неделя 2 — ручные варианты и автоматический поиск Keras Tuner.
Неделя 3 — принципы генетического поиска и сравнение конфигураций.
Неделя 4 — итоговая проверка, таблица результатов и отчёт; если исходный проект выбран на Kaggle — подготовка файла прогнозов без подбора по финальным ответам.
Прочитаем задачу, метрику, формат ответа и правила соревнования; проверим допуск, внешние данные, готовые веса и применение ИИ.
Отделим проверочную выборку и запустим простую модель — исходный результат для сравнения.
Изменим один подход, сравним на проверочной части, разберём ошибки и сохраним код. Дообучение выбираем там, где оно подходит задаче и разрешено правилами.
Проверим submission-файл. Ты принимаешь правила и отправляешь решение из своего аккаунта; после приёма сохраним результат и оформим кейс.
Getting Started — учебные соревнования для знакомства с платформой. Условия и доступность проверяем перед стартом; место и призы не входят в обещанный результат. Подход к дообучению: официальный пример TensorFlow ↗.
Все материалы на месте
66 ноутбуков распределены по курсам
В каталог вошли все 24 работы прежней подборки и остальные 42 ноутбука: подготовка, статистика, временные ряды, перенос обучения и дополнительные задания. Каждый файл закреплён за одним курсом.
Один стартовый NumPy-пример выполняется в CI исходного репозитория. Остальные 65 — исторический архив. Сохранённые выводы и точность в названиях файлов не подтверждают текущую воспроизводимость. Перед практикой проверим окружение и данные.
01 · Подготовка
