Коротко — много курсов, зависит от уровня и цели (практика, исследование, CV, NLP, RL). Ниже — упорядоченный обзор популярных и полезных курсов/треков и где их искать.
Как выбирать: укажите ваш уровень (математика/программирование), цель (инженер, исследователь, проект, специализация: CV/NLP/RL) — дам персональную программу.
Базовый уровень (введение, основы)
- Coursera — "Machine Learning" (Andrew Ng) — классика по ML (логика, оптимизация, основы нейросетей). Хорошо для начинающих.
- Coursera — "Neural Networks and Deep Learning" (первая часть Deep Learning Specialization, Andrew Ng / deeplearning.ai) — основы нейросетей и глубокого обучения.
- Kaggle Learn — "Intro to Deep Learning" и "Python / PyTorch" — бесплатные, практические микро-курсы.
Практический / инженерный уровень
- Fast.ai — "Practical Deep Learning for Coders" (v4) — практический, ориентирован на PyTorch; быстро приносит результат в проектах.
- Hugging Face — "Course" (Transformers, практическая работа с NLP и моделями) — бесплатно, практическая направленность.
- Udacity — Deep Learning Nanodegree — проектно-ориентированный трек (платный).
Академический / продвинутый уровень
- Stanford CS231n — "Convolutional Neural Networks for Visual Recognition" — глубокая теория и практика CV (лекции, задания, развернутые конспекты).
- Stanford CS224n — "Natural Language Processing with Deep Learning" — глубокая NLP (включая трансформеры).
- MIT 6.S191 — "Introduction to Deep Learning" — интенсивные лекции и практические задания.
- Deep Learning Specialization (deeplearning.ai, Coursera) — полный набор тем: CNN, RNN, seq2seq, оптимизация, best practices.
Специализированные курсы / направления
- GANs Specialization (deeplearning.ai / Coursera) — генеративные модели (GAN).
- Reinforcement Learning: OpenAI Spinning Up (практическая), Berkeley CS285, Udacity Deep Reinforcement Learning Nanodegree.
- Transformers / Large Language Models: Hugging Face course, специализированные курсы от deeplearning.ai и у университетов.
- Probabilistic models: Stanford CS228, курсы по Bayesian ML (Cambridge/Columbia на edX).
Русскоязычные варианты
- Stepik — множество курсов по нейросетям и глубокому обучению (вводные и прикладные).
- Яндекс (Yandex.Practicum / Yandex School / Яндекс.МШУ) — практические треки и интенси́вы по ML и DL.
- Coursera/edX — многие курсы имеют русские субтитры или переводы.
- Коммерческие школы: Skillbox, GeekBrains и др. — платные треки с наставниками.
Формат и инструменты
- Практика: PyTorch (Fast.ai, многие курсы), TensorFlow/Keras (deeplearning.ai).
- Платформы: Coursera, edX, Udacity, Fast.ai, Stepik, Kaggle, Hugging Face.
- Ресурсы для углубления: статьи, GitHub-репозитории, исследовательские лекции (arXiv/YouTube).
Рекомендованный путь (пример)
- 0–3 месяца: вводный курс (Andrew Ng, Kaggle), Python и линейная алгебра.
- 3–6 месяцев: практический курс (Fast.ai или Hugging Face + проекты).
- 6+ месяцев: продвинутые университетские курсы (CS231n/CS224n) и спецкурсы по интересующей области.
Если хотите, могу:
- Подобрать конкретные курсы под ваш уровень и цель;
- Составить план на 3–6 месяцев с конкретными ресурсами и проектами. Какой у вас уровень и цель?