СБ

Сергей Николаевич Белоусов

Руководитель группы машинного обучения, преподаватель. Преподаёт более 8 лет. Научные интересы — машинное обучение, обработка естественного языка. Автор более 90 научных публикаций и нескольких научно-популярных курсов. Регулярно выступает с публичными лекциями и на научных фестивалях.

63 лекции4 курса1,7 млн просмотровПрограммирование и CS

Курсы

Программирование и CS · Средний уровень

Машинное обучение

Классическое машинное обучение: от линейной регрессии до бустинга.

24 занятия30 чС. Н. Белоусов

Программирование и CS · Продвинутый уровень

Глубокое обучение

Нейронные сети, трансформеры, языковые и генеративные модели.

11 занятий15 чС. Н. Белоусов

Программирование и CS · Средний уровень

Алгоритмы и структуры данных (2021)

Запись курса 2021 года в изложении другого лектора. Базовый курс алгоритмов: сортировки, деревья, графы, динамическое программирование.

14 занятий19 чС. Н. Белоусов

Программирование и CS · Средний уровень

Базы данных (2020)

Запись курса 2020 года в изложении другого лектора. Реляционная модель, SQL, транзакции, индексы и масштабирование.

10 занятий14 чС. Н. Белоусов

Сергей Николаевич Белоусов

Курсы

Машинное обучение

Глубокое обучение

Алгоритмы и структуры данных (2021)

Базы данных (2020)

Как устроены рекомендательные системы

Лекция 1. Реляционная модель

Лекция 2. SQL: основы запросов

Как работает интернет за 60 минут

Лекция 3. Соединения и подзапросы

Лекция 4. Нормализация

Как устроен браузер

Лекция 5. Индексы

Лекция 6. Транзакции и ACID

Лекция 7. Уровни изоляции

Лекция 9. NoSQL: документные и key-value хранилища

Лекция 8. Оптимизация запросов

Лекция 1. Что такое машинное обучение

Лекция 10. Репликация и шардирование

Тестирование программного обеспечения

Лекция 2. Линейная регрессия

Лекция 3. Логистическая регрессия

Лекция 1. Нейрон и перцептрон

Лекция 4. Градиентный спуск

Лекция 6. Деревья решений

Лекция 2. Сортировки: от пузырька до быстрой

Лекция 4. Свёрточные сети

Лекция 2. Обратное распространение ошибки

Лекция 1. Асимптотический анализ

Семинар 1. Разбор задач: что такое машинное обучение

Лекция 3. Оптимизаторы

Лекция 5. Переобучение и регуляризация

Лекция 4. Стеки, очереди, деки

Лекция 5. Рекуррентные сети и LSTM

Лекция 5. Хеш-таблицы

Лекция 3. Бинарный поиск и его вариации

Лекция 6. Механизм внимания

Семинар 2. Разбор задач: линейная регрессия

Лекция 7. Архитектура трансформер

Лекция 7. Ансамбли: бэггинг и бустинг

Лекция 8. Метод опорных векторов

Лекция 6. Двоичные деревья поиска

Лекция 10. Снижение размерности

Лекция 9. Кластеризация

Семинар 3. Разбор задач: логистическая регрессия

Семинар 4. Разбор задач: градиентный спуск

Лекция 9. Генеративные модели

Лекция 7. Сбалансированные деревья

Лекция 8. Кучи и очереди с приоритетом

Семинар 5. Разбор задач: переобучение и регуляризация

Лекция 12. Feature engineering на практике

Лекция 8. Языковые модели

Лекция 11. Оценка качества моделей

Семинар 7. Разбор задач: ансамбли: бэггинг и бустинг

Лекция 9. Графы: обход в ширину и глубину

Семинар 6. Разбор задач: деревья решений

Семинар 8. Разбор задач: метод опорных векторов

Лекция 10. Диффузионные модели

Лекция 11. Обучение с подкреплением: введение

Лекция 10. Кратчайшие пути: Дейкстра и Беллман–Форд

Лекция 11. Минимальное остовное дерево

Семинар 9. Разбор задач: кластеризация

Семинар 11. Разбор задач: оценка качества моделей

Лекция 12. Динамическое программирование

Семинар 12. Разбор задач: feature engineering на практике

Семинар 10. Разбор задач: снижение размерности

Лекция 14. Строковые алгоритмы

Лекция 13. Жадные алгоритмы