Дорожная карта обучения машинному обучению (ML) 2025

Чтобы охватить все уровни подготовки, курсы сгруппированы по уровню сложности: вводные (для начинающих), промежуточные (для имеющих базу в Python/ML) и продвинутые (глубокое обучение, RL, MLOps, генеративный ИИ и т.п.). Для каждого курса указаны название, прямая ссылка, год выпуска (если известен) и язык проведения.

Для начала я приведу все ссылки из этой статьи, а потом распишу все курсы. В самом конце я собрал таблицу, в которой написано для кого и какой курс лучше подойдет.

Ниже собраны 50 лучших бесплатных или условно-бесплатных курсов (сертификат может быть платным), разделённых по уровням:
Вводный (Beginner) → Промежуточный (Intermediate) → Продвинутый (Advanced).
После каждого описания приведена полная кликабельная ссылка.

t.me/ai_machinelearning_big_data – наш телеграм канал с уроками и бесплатными курсами по нейросетям и машинному обучению.

Вводные курсы (Beginner)

1. Machine Learning Specialization (Andrew Ng)
   Три последовательных курса дают интуитивное понимание регрессии, классификации, кластеризации и простых нейросетей без сильной математики.
   https://www.coursera.org/specializations/machine-learning-introduction
2. Google Machine Learning Crash Course
   25 коротких уроков, визуализации и упражнения на TensorFlow — лучший экспресс-вход в ML за выходные.
   https://developers.google.com/machine-learning/crash-course
3. Kaggle: Intro to Machine Learning
   Интерактивные ноутбуки на Kaggle объясняют, как обучить первую модель и прилепить метрику к лидерборду.
   https://www.kaggle.com/learn/intro-to-machine-learning
4. Kaggle: Intermediate Machine Learning
   Как работать с пропусками, категориальными признаками и XGBoost; практикум сразу на боевых датасетах.
   https://www.kaggle.com/learn/intermediate-machine-learning
5. Kaggle: Intro to Deep Learning
   Бескодовый вход в Keras/TensorFlow — строим CNN для изображений и проверяем результаты на Kaggle.
   https://www.kaggle.com/learn/intro-to-deep-learning
6. Elements of AI — Introduction to AI
   Наглядный «ликбез» по ИИ без программирования; подходит даже школьникам.
   https://www.elementsofai.com
7. Elements of AI — Building AI
   Продолжение: простые код-упражнения по алгоритмам ИИ на псевдокоде или Python.
   https://buildingai.elementsofai.com
8. AI For Everyone (Andrew Ng)
   Нетехнический курс о бизнес-ценности ИИ — для менеджеров и новичков.
   https://www.coursera.org/learn/ai-for-everyone
9. Введение в Data Science и машинное обучение (Stepik)
   Русскоязычные видео + ноутбуки Pandas / scikit-learn; хороший старт для нулевого уровня.
   https://stepik.org/course/4852
10. IBM Machine Learning with Python
    Практические лабораторные в Jupyter: регрессия, классификация, кластеризация с sklearn.
    https://cognitiveclass.ai/courses/machine-learning-with-python
11. Udacity Intro to Machine Learning (ud120)
    Классический курс Себастьяна Труна — цикл от EDA до SVM и валидации моделей.
    https://www.udacity.com/course/intro-to-machine-learning–ud120
12. fast.ai — Intro to Machine Learning for Coders
    Практика на Random Forest, визуализация важности признаков, табличные данные без DL.
    https://course.fast.ai/ml
13. Microsoft Machine Learning for Beginners (GitHub)
    Учебная программа на 12 недель / 26 занятий: ноутбуки, квизы и проекты на Python.
    https://github.com/microsoft/ML-For-Beginners
14. Coursera: Машинное обучение (ВШЭ / Яндекс)
    Строгая русскоязычная теоретическая база: линейные модели, деревья, SVM, ансамбли.
    https://www.coursera.org/learn/machine-learning
15. Machine Learning Foundations (Univ. of Washington)
    «Кейс-стади»-курс: пять реальных задач (цены на жильё, рекомендации, классификация текста).
    https://www.coursera.org/learn/ml-foundations

Промежуточные курсы (Intermediate)

16. fast.ai — Practical Deep Learning for Coders (Part 1)
    9 уроков: CNN, NLP, рекоммендатели в PyTorch/fastai — быстрый прыжок в DL-практику.
    https://course.fast.ai
17. Harvard CS50’s Introduction to AI with Python
    Проекты: «Крестики-нолики», поиск маршрутов, простые классификаторы на TensorFlow.
    https://cs50.harvard.edu/ai/2020/
18. MITx 6.86x Machine Learning with Python
    Университетская строгая математика + код: регрессия → SVM → нейросети → RL-вводное.
    https://www.edx.org/course/machine-learning-with-python-from-linear-models-to-deep-learning
19. edX Principles of Machine Learning (Microsoft)
    Алгоритмы ML на Azure ML, практические задания с облачными пайплайнами.
    https://www.edx.org/course/principles-machine-learning
20. Deep Learning Specialization (Andrew Ng)
    Пятикурсник: математика backprop, CNN, RNN, sequence-to-sequence.
    https://www.coursera.org/specializations/deep-learning
21. Hugging Face — Transformers Course
    Интерактивные Colab-ноутбуки — BERT, GPT-2, T5 для классификации, QA, генерации.
    https://huggingface.co/course/chapter1
22. Open Machine Learning Course (mlcourse.ai)
    10 недель: EDA, визуализация, бустинг, введение в DL; задания проверяются на Kaggle.
    https://github.com/Yorko/mlcourse.ai
23. Microsoft AI for Beginners (GitHub)
    12 недель: основы CV, NLP, предобученные модели и этика ИИ.
    https://github.com/microsoft/AI-For-Beginners
24. Udacity Intro to Machine Learning with PyTorch
    Проекты AWS + PyTorch: CNN-классификатор изображений, NLP-сеточка, деплой.
    https://www.udacity.com/course/intro-to-machine-learning-with-pytorch–ud188
25. Mathematics for Machine Learning Specialization
    Линейная алгебра, аналитическая геометрия, PCA — минимальный math-трамплин к DL.
    https://www.coursera.org/specializations/mathematics-machine-learning
26. TensorFlow Developer Professional Certificate
    Практика TF 2.x — CNN, перенос обучения, NLP, развёртывание моделей на TFLite.
    https://www.coursera.org/professional-certificates/tensorflow-in-practice
27. fast.ai — A Code-First Introduction to NLP
    ULMFiT, seq2seq, Transformers — чистая практика NLP на fastai/PyTorch.
    https://course.fast.ai/nlp
28. Natural Language Processing Specialization (DeepLearning.AI)
    Word2Vec → RNN → Attention — классическая основа NLP до эпохи LLM.
    https://www.coursera.org/specializations/natural-language-processing
29. Stanford CS229 Machine Learning (OCW)
    Лекции Э. Ына с полным математическим выводом основных алгоритмов.
    https://see.stanford.edu/Course/CS229
30. MITx The Analytics Edge
    Кейс-курс в R: ML в бизнесе, здравоохранении, социальных сетях.
    https://www.edx.org/course/the-analytics-edge

Продвинутые курсы (Advanced)

31. fast.ai — Practical Deep Learning for Coders (Part 2)
    Реализация собственных библиотек DL с нуля, Stable Diffusion, ResNeXt, Vision Transformer.
    https://course.fast.ai/part2
32. Stanford CS231n — Convolutional Neural Networks for Visual Recognition
    Эталонный курс по CV: от свёрток до ResNet и детекции объектов.
    http://cs231n.stanford.edu/
33. Stanford CS224n — Natural Language Processing with Deep Learning
    Embeddings → RNN → Attention → Transformers — фундамент современной NLP-R&D.
    http://web.stanford.edu/class/cs224n/
34. Stanford CS224w — Machine Learning with Graphs
    Графовые нейронные сети, node2vec, применение в биологии и рекомендациях.
    http://web.stanford.edu/class/cs224w/
35. Stanford CS324 — Large Language Models
    Архитектура, масштабирование, безопасность и этика GPT-подобных систем.
    https://crfm.stanford.edu/cs324/
36. DeepMind / UCL — Deep Reinforcement Learning (David Silver)
    Классика RL — ценность, Q-обучение, DQN.
    https://www.youtube.com/playlist?list=PLqYmG7hTraZCDxZ44o4p3N5Anz3lLRVZF
37. Hugging Face Deep RL Course
    Unity ML-Agents + Colab — PPO, DQN, публикация моделей в HF Hub.
    https://huggingface.co/learn/deep-rl-course/unit0/introduction
38. Full Stack Deep Learning (Berkeley)
    Данные → обучение → MLOps → продакшен, полный жизненный цикл DL-приложений.
    https://fullstackdeeplearning.com
39. Machine Learning Engineering for Production (MLOps)
    CI/CD, мониторинг, деградация данных, best practices команд ML.
    https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
40. Dive into Deep Learning (D2L)
    Открытый интерактивный учебник: код на PyTorch, TF или MXNet для всех глав.
    https://d2l.ai
41. Advanced Machine Learning Specialization (HSE & Yandex)
    Глубокое обучение, байесовщина, RL, рекомендации, Kaggle-хак.
    https://www.coursera.org/specializations/aml
42. Andrej Karpathy — Neural Networks: Zero to Hero
    micrograd, char-RNN, GPT «с нуля» — идеальный “look-under-the-hood”.
    https://www.youtube.com/playlist?list=PLpBmRxjn1_NaK30aK9L4MP3JjACt6PhjE
43. MIT 6.S191 — Introduction to Deep Learning (IAP)
    Интенсив на 1 неделю — CNN, RNN, Transformer, GAN, применение в науке.
    http://introtodeeplearning.com/
44. Caltech — Learning from Data
    Теория обобщения, VC-измеримость, регуляризация — математика ML идёт вглубь.
    https://work.caltech.edu/telecourse.html
45. Stanford — Probabilistic Graphical Models
    Байесовские сети, вариационный вывод, MCMC; фундамент байесовского ML.
    https://www.coursera.org/specializations/probabilistic-graphical-models
46. Generative Adversarial Networks Specialization
    DCGAN, WGAN, cGAN — полный путь к генерации изображений.
    https://www.coursera.org/specializations/generative-adversarial-networks-gans
47. Reinforcement Learning Specialization (University of Alberta)
    Полный цикл RL: TD-методы, policy gradient, actor-critic, проекты Gym.
    https://www.coursera.org/specializations/reinforcement-learning
48. CMU 11-785 — Introduction to Deep Learning
    50+ часов лекций: CNN, Transformer, CV, NLP, аудио, fairness, компрессия.
    https://deeplearning.cs.cmu.edu/
49. Berkeley CS285 — Deep Reinforcement Learning
    TRPO, PPO, SAC, имитация, роботы; проекты на PyTorch.
    https://cs285.github.io/
50. Stanford CS330 — Deep Multi-Task and Meta Learning
    MAML, few-shot, transfer learning — R&D-уровень для новых фронтиров.
    http://cs330.stanford.edu/

Быстрая карта «когда и что учить»

Уровень → Цель	Что пройти в первую очередь	Когда переходить к следующему блоку
Начинающий	Google ML Crash Course, Kaggle Intro ML, Elements of AI	После ~20–30 ч практики Python/ML
Базовая теория	Machine Learning Specialization, Введение в ML (ВШЭ), fast.ai ML	Когда уверенно решаете задачи регрессии/классификации
Глубокое обучение	fast.ai Part 1, Deep Learning Specialization, TensorFlow Developer	Когда понимаете backprop и можете обучить CNN
Специализация	CS231n (CV) / CS224n (NLP) / Hugging Face Transformers	После 2–3 практических DL-проектов
MLOps / продакшен	Full Stack DL, MLOps Specialization	Когда появляется задача вывода модели в продукт
R&D / Cutting-edge	CS324 LLM, CS330 Meta Learning, Berkeley CS285 RL	Когда освоили продвинутые DL-архитектуры и готовы исследовать новое

Используйте список как чек-лист, выбирая курсы под свой уровень и интересы. Все материалы открыты бесплатно, главное — практиковаться и доводить проекты до конца.

Вводные курсы (начальный уровень)

Новички без сильной математической подготовки и опыта программирования могут начать с следующих бесплатных ресурсов:

1. Machine Learning Specialization (Andrew Ng) – Coursera, 2022 – английский.
   Полный обновлённый вводный курс от профессора Стэнфорда Эндрю Ына. Охватывает основы ML: регрессия, классификация, нейронные сети, SVM, кластеризация и др. (3 курса, можно проходить бесплатно с режимом аудитора)netsqure.comnetsqure.com.
2. Google Machine Learning Crash Course – Google Developers, 2018 (обновлён в 2023) – английский.
   Интерактивный экспресс-курс от Google: ~15 часов, 25 уроков с видеороликами, визуализациями и практикумом на TensorFlowdevelopers.google.comdevelopers.google.com. Отлично подходит для освоения базовых концепций ML на практических примерах Google.
3. Kaggle: Intro to Machine Learning – Kaggle Learn, ~2018 – английский.
   Краткий практический курс от сообщества Kaggle. Показывает на примерах, как строить первые модели: decision tree, модель валидации, предотвращение переобучения и т.д. Длительность ~3 часа, интерактивные ноутбуки Kagglenetsqure.comnetsqure.com.
4. Kaggle: Intermediate Machine Learning – Kaggle Learn, ~2019 – английский.
   Продолжение предыдущего: работе с пропусками данных, категориальными признаками, поиском утечек данных и использованием модели XGBoostnetsqure.comnetsqure.com. Позволяет укрепить практические навыки подготовки данных и улучшения моделей.
5. Kaggle: Intro to Deep Learning – Kaggle Learn, ~2019 – английский.
   Вводный курс по глубокому обучению на Kaggle. Вы научитесь строить простые нейросети с помощью TensorFlow/Keras для задач классификации изображений и др. Без глубокого погружения в теорию, упор на практику (около 4 часов, пошаговые туториалы)kaggle.comkaggle.com.
6. Elements of AI – Introduction to AI – Университет Хельсинки, 2018 – английский (доступен на множестве языков).
   Популярный массовый онлайн-курс, демистифицирующий искусственный интеллектen.wikipedia.org. Не требует программирования: объясняет ключевые концепции ИИ и ML простым языком, содержит интерактивные задания. Отлично подходит для самого начала знакомства с ИИ.
7. Elements of AI – Building AI – Университет Хельсинки, 2020 – английский.
   Вторая часть курса Elements of AI. Более практикоориентированный модуль: простые упражнения по разработке AI-алгоритмов. Требует минимальные навыки программирования. Помогает сделать первые шаги в реализации алгоритмов ИИ своими руками.
8. AI For Everyone (Andrew Ng) – Coursera, 2019 – английский.
   Нетехнический обзорный курс от Э. Ынаmedium.com. Разъясняет, что такое ИИ/машинное обучение, как они применяются в бизнесе. Рекомендуется менеджерам и новичкам, желающим понять возможности ИИ без углубления в код.
9. Введение в Data Science и машинное обучение – Stepik/Институт биоинформатики, ~2017 – русский.
   Популярный русскоязычный курс для самых начинающих (150k+ учащихся). Последовательно объясняет основные понятия анализа данных и MLstepik.orgstepik.org. Практическая часть включает знакомство с библиотеками Pandas и scikit-learn. Требует базовых знаний статистики и позволяет параллельно освоить основы Pythonstepik.orgstepik.org.
10. IBM: Machine Learning with Python – CognitiveClass.ai, 2017 – английский.
    Бесплатный курс от IBM, знакомящий с базовыми алгоритмами машинного обучения (регрессия, классификация, кластеризация) с практическими примерами на Python (scikit-learn). Включает лабораторные работы в Jupyter, по окончании выдается электронный сертификат. Подходит для быстрого старта в ML с нуля.
11. Udacity: Intro to Machine Learning (ud120) – Udacity, 2015 – английский.
    Классический вводный курс от Себастьяна Труна. Охватывает полный цикл проектов ML: от разведочного анализа данных до обучения простых моделей (naive Bayes, decision trees, SVM) и их оценки. Используется язык Python и библиотека sklearn. Несмотря на год выпуска, курс остаётся актуальным для освоения основ (без глубокого обучения).
12. fast.ai: Intro to Machine Learning for Coders – fast.ai, 2018 – английский.
    Бесплатный курс от Джереми Говарда, предназначенный для разработчиков, желающих понять классическое ML до глубокого обучения. Покрывает методы табличного анализа данных: энсемблы деревьев решений (random forest), градиентный бустинг, обработка признаков и т.д. Фокус на практическое применение: студенты сразу используют готовые библиотеки для решения реальных задач, а затем разбираются, как они работают.
13. Microsoft: Machine Learning for Beginners – GitHub curriculum, 2021 – английский.
    Полностью бесплатный учебный план от команды Microsoftgithub.comgithub.com. Содержит 12 недель уроков (26 занятий) с тестами и практическими заданиями, охватывающими «классическое» машинное обучение без глубоких нейросетейgithub.com. Используется Python, библиотека scikit-learn и реальные данные из разных областей. Доступны материалы для самопроверки и переводы на несколько языков.
14. Coursera: Машинное обучение (Введение) – НИУ ВШЭ & Яндекс ШАД, 2016 – русский.
    Качественный русскоязычный курс от Школы данных Яндекса и Вышки, запущенный на Courseracs.hse.rucs.hse.ru. Длится 7 недель, включает видеолекции и задания. Даёт строгую основу в методах ML: метрические алгоритмы, линейные модели, деревья, ансамбли и др. Требуется базовое знание линейной алгебры и программирования. По окончании – мини-проект по анализу данных.
15. Coursera: Machine Learning Foundations (University of Washington) – Coursera, 2015 – английский.
    Вводный курс-«кейсстади» от Университета Вашингтона. Фокусируется на практических примерах применения ML: прогноз цен недвижимости, анализ текстов, системы рекомендаций и др. Обучение идёт через разбор 5 реальных задач, что позволяет понять, как применять алгоритмы на практике. Хорошее дополнение к курсу Эндрю Ына, даёт прикладную перспективу (на Python, с использованием библиотек GraphLab/Create).

Промежуточные курсы (базовый уровень знаний уже есть)

Если вы уже знакомы с основами Python и прошли вводные курсы по ML, следующие курсы помогут углубить знания и перейти к глубокому обучению и специализированным темам:

1. fast.ai: Practical Deep Learning for Coders (Part 1) – fast.ai, 2022 – английский.
   Современный курс по глубокому обучению от Дж. Говарда (обновлён в 2022)fast.ai. Требует лишь минимальных знаний Python и основ ML. В 9 уроках (~90 мин каждый) студенты строят настоящие DL-проекты с нуля: классификация изображений, обработка текста, рекомендации и др., используя библиотеку fastai поверх PyTorchfast.ai. Курс даёт практические навыки и интуитивное понимание DL, необходимые для дальнейшего роста. (Видео лекций и книга “Deep Learning for Coders” – в открытом доступе.)
2. Harvard CS50’s Introduction to AI with Python – HarvardX (edX), 2020 – английский.
   Продолжение знаменитого CS50, фокусирующееся на алгоритмах ИИ и ML. Включает основы поиска, стратегии игр, и несколько тем машинного обучения (напр. обучает использованию библиотек scikit-learn, TensorFlow для простых проектов ИИ)pll.harvard.edu. Рассчитан на тех, кто уже умеет программировать (желательно пройти CS50). Даёт обзор принципов ИИ/ML и практические проекты на Python.
3. MITx: Machine Learning with Python: from Linear Models to Deep Learning (6.86x) – edX (MIT), 2019 – английский.
   Полноценный университетский курс по машинному обучению от MIT. Покрывает широкий спектр: от основ линейной алгебры, регрессии и SVM до вводного глубокого обучения и даже основ обучения с подкреплениемedx.org. Включает домашние задания с кодированием на Python/NumPy. Курс достаточно строгий и математичный, но по окончании у студента формируется прочная теоретическая база ML на уровне выпускника вуза.
4. edX: Principles of Machine Learning (Microsoft) – edX (Microsoft/Microsoft Azure), 2017 – английский.
   Курс от Microsoft, ранее входивший в программу Microsoft Professional Program. Делает упор на прикладные аспекты: охватывает основные алгоритмы ML и показывает их реализацию на Python с использованием Azure ML и Jupyter Notebooksnetsqure.com. Хорошо подходит для тех, кто хочет увидеть применение ML в индустриальных инструментах (Azure), а не только в академических примерах. Можно пройти бесплатно (без сертификата).
5. Deep Learning Specialization (Andrew Ng) – DeepLearning.AI/Coursera, 2017 – английский.
   Классический онлайн-специализация от Э. Ына, состоящая из 5 курсов. Структурировано вводит в нейронные сети и глубокое обучение: от основ прямого распространения и backpropagation до архитектур CNN для компьютерного зрения, RNN для последовательностей и основ рекуррентных сетей для NLP. Несмотря на использование старой версии фреймворка (TensorFlow 1.x), содержание по теории DL остаётся фундаментальным. Рекомендуется как следующий шаг после базового курса ML – поможет понять «внутреннюю кухню» нейросетей и подготовит к работе с современными DL-библиотеками.
6. Hugging Face: Transformers Course – HuggingFace.co, 2021 – английский.
   Практический курс от Hugging Face по работе с современными моделями NLP. Охватывает трансформеры (BERT, GPT-2 и др.) и показивает, как применять их для задач обработки текста: классификации, вопросы-ответы, генерации текста и т.д. Курс интерактивный (ноутбуки на Google Colab) и бесплатный. Требует понимания основ Python и желателен опыт с PyTorch или TensorFlow. Идеально для перехода от базового ML к работе с актуальными моделями генеративного ИИ и NLP.
7. Open Machine Learning Course (mlcourse.ai) – ODS (OpenDataScience), 2017 – английский/русский.
   Открытый курс сообщества ODS, выложенный на GitHubgithub.com. Балансирует между теорией и практикой: каждая неделя включает лекционные статьи и ноутбуки с заданиями на Kagglegithub.comgithub.com. Покрывает широкий круг тем: от EDA и визуализации данных до градиентного бустинга, композиции моделей и введения в глубокое обучение. Многие материалы доступны на русском и английском, что удобно. Курс самопроходимый – отличная возможность для мотивированных студентов отточить навыки и поучаствовать в Kaggle-соревнованиях для практики.
8. Microsoft: AI for Beginners – GitHub curriculum, 2021 – английский.
   Ещё один открытый учебный план от Microsoft, нацеленный на введение в методы ИИ (включая глубокое обучение). Содержит 12 недель (24 урока) с упором на проекты: компьютерное зрение, NLP, предобученные модели и пр.github.com. В отличие от курса ML for Beginners, здесь рассматриваются и нейросетевые методы. Рекомендуется тем, кто уже освоил базовый ML и хочет расширить кругозор, познакомившись с базовыми примерами применения нейронных сетей в различных задачах.
9. Udacity: Intro to Machine Learning with PyTorch – Udacity, 2019 – английский.
   Бесплатный курс (в рамках программы Machine Learning Engineer nanodegree) при содействии Kaggle и AWSclasscentral.com. Дает комплексное введение в ML с акцентом на нейросети в PyTorch. Включает проекты: развёртывание модели, классификацию изображений CNN, обработку текстов с RNN. Уровень – intermediate: предполагается знание Python и основ статистики. По окончании вы освоите практические навыки построения и обучения моделей на PyTorch, что подготовит к более продвинутым DL-курсам.
10. Coursera: «Введение в машинное обучение» (ВШЭ/Яндекс) – Coursera, 2016 – русский.
    Русскоязычный академический курс (см. вводный список №14) здесь рекомендован как переходный к более продвинутому уровню, поскольку включает серьезную теоретическую базу. Тем, кто прошёл его, открывается путь к целому циклу продвинутых курсов от ВШЭ/Яндекса (см. спец. №11 в продвинутом списке). Если вы владеете математикой, этот курс создаст прочный фундамент и позволит увереннее чувствовать себя в глубокому обучении и специализированных темах.
11. DeepLearning.AI TensorFlow Developer – Coursera, 2019 – английский.
    Специализация из 4 курсов от команды Э. Ына совместно с Google, нацеленная на практику глубокого обучения в TensorFlow. Студенты шаг за шагом учатся строить нейросети для CV и NLP: от простых CNN для распознавания образов до последовательных моделей для анализа текста, а затем изучают перенос обучения и развёртывание моделей. Курс ориентирован на практику (проекты: классификация изображений, определение эмоций по тексту и т.п.) и помогает приобрести уверенность в использовании фреймворка TensorFlow 2.x.
12. fast.ai: A Code-First Introduction to NLP – fast.ai, 2020 – английский.
    Курс от fast.ai, посвящённый обработке естественного языка. Предполагает знакомство с основами DL (например, прохождение fast.ai Part 1). Даёт практическое введение: обучение языковых моделей, классifikation текста, анализ тональности, перевод, используя библиотеку fastai и ULMFiT/Transformer-модели. Ценность курса – «код-ферст» подход: вы сначала реализуете решение, а потом разбираетесь в теориях. Отличный путь углубиться в NLP после освоения базовых DL-навыков.
13. Natural Language Processing Specialization – DeepLearning.AI/Coursera, 2019 – английский.
    Комплекс из 4 курсов, охватывающий классические методы NLP: от создания словарных эмбеддингов (Word2Vec, GloVe) и рекуррентных сетей (RNN, LSTM) до внимания и секвенс-ту-секвенс моделей для перевода. Несмотря на появление трансформеров, понимание этих основ полезно. Специализация поможет тем, кто уже знаком с DL, систематически освоить методы обработки текста. После неё будет легче переходить к современным моделям (BERT, GPT и т.д., как в курсе HuggingFace).
14. Stanford CS229: Machine Learning – Stanford (OpenCourseWare), 2018 – английский.
    Полноценный университетский курс по машинному обучению от Стэнфорда (автор – Эндрю Ын). Это более теоретическая и математическая версия материала, представленного в его онлайн-курсе. Охватывает вывод основных алгоритмов: метод наименьших квадратов, логистическую регрессию (с выводом градиентного спуска), SVM (с математическим обоснованием), байесовские сети, EM-алгоритм и др. Лекции и конспекты доступны бесплатно. Рекомендуется для закрепления теоретических основ тем, кто планирует углубленное академическое изучение ML (например, поступление в магистратуру по Data Science).
15. The Analytics Edge (MIT) – MIT OpenCourseWare, 2014 – английский.
    Кейс-ориентированный курс MIT, показывающий, как аналитика данных и ML дают конкурентное преимущество в разных сферахclasscentral.com. Темы включают предсказание рейтингов кинофильмов, анализ социальный сетей, модели для здравоохранения и даже победивший в конкурсе Kaggle алгоритм прогнозирования победителей шоу «Хочу стать миллионером». Курс использует язык R и реальные наборы данных. Хотя материал не самый новый, он ценен акцентом на применение алгоритмов в бизнесе и на практике принятия решений на основе данных.

Продвинутые курсы (специализация и глубокое погружение)

Для учащихся, уже уверенно владеющих базовым ML/DL, предлагаются лучшие бесплатные курсы продвинутого уровня. Эти материалы помогут освоить глубокое обучение на экспертом уровне, актуальные исследовательские направления (генеративные модели, RL) и инженерные практики развёртывания ML-систем:

1. fast.ai: Practical Deep Learning for Coders (Part 2) – fast.ai, 2022 – английский.
   Продолжение курса fast.ai Part 1 для продвинутых. В Part 2 (обновление 2022/23) Джереми Говард глубже погружает в устройство DL-моделей. Курс сфокусирован на создании своих нейросетевых библиотек с нуля: студенты реализуют мини-фреймворк (на основе PyTorch) и воспроизводят с нуля такие достижения, как Stable Diffusion для генерации изображенийcourse.fast.ai. Темы включают продвинутые архитектуры (ResNeXt, трансформеры для Vision и NLP), тонкости обучения (менеджмент экспериментов, оптимизации) и др. Требуется солидное понимание DL и опыт кодирования – наградой станет глубокое понимание внутренней работы современных моделей.
2. Stanford CS231n: Convolutional Neural Networks for Visual Recognition – Stanford, 2017 (последняя открытая версия) – английский.
   Легендарный курс Стэнфорда по компьютерному зрениюbyteplus.com. Преподаётся на уровне старших курсов университета. Охватывает основы сверточных нейросетей (CNN) и их применение в задачах распознавания изображений, классификации, детекции объектов, сегментации и др. Материал включает как теорию (свертки, функции активации, архитектуры AlexNet, VGG, ResNet), так и практику (работа с фреймворками, конкурс по классификации изображений). Лекции (2017–2018 гг. с Андреем Карпати и др.) доступны на YouTube, конспекты и задания – на официальном сайте. CS231n – необходимый пункт для всех, кто хочет специализироваться в Deep Learning для зрения.
3. Stanford CS224n: Natural Language Processing with Deep Learning – Stanford, 2019/2021 – английский.
   Продвинутый университетский курс по обработке естественного языка с упором на современные методы DL. Включает: распределенные представления слов, рекуррентные сети (RNN, LSTM), механизм внимания и трансформеры, модели языков (BERT, GPT) и их применение в задачах машинного перевода, вопрос-ответ, суммаризации и др. Лекции Кристофера Мэннинга и соавторов (2019–2021) выложены онлайн, имеются подробные программные задания. Этот курс позволит тем, кто уже знаком с основами DL, подняться на уровень создания NLP-моделей современного класса.
4. Stanford CS224w: Machine Learning with Graphs – Stanford, 2021 – английский.
   Углубленный курс по графовому машинному обучению, ведет Юрий Лесковец. Затрагивает анализ социальных, информационных и биологических сетей. Темы: поиск сообществ в графах, алгоритмы распространения влияния, representation learning на графах (node2vec, Graph Neural Networks), применение GNN в различных сферах (химия, рекомендации). Курс подойдет тем, кто интересуется неевклидовыми структурами данных и хочет освоить одно из перспективных направлений ML. Доступны записи лекций, конспекты и задания на официальном сайте курса.
5. Stanford CS324: Large Language Models – Stanford (CRFM), 2022 – английский.
   Один из первых академических курсов, посвященных большим языковым моделям (LLM). Разработан исследователями из Центра исследований фундаментальных моделей при Стэнфорде (Percy Liang и др.) в 2022 году. Курс рассматривает устройство и обучение LLM (Transformer, масштабирование моделей и данные), их возможности (few-shot learning), а также вопросы этики, потенциального вреда и ограничения больших моделейstanford-cs324.github.io. Практическая часть включает проекты по работе с существующими LLM. Материалы (конспекты лекций, списки статей) открыто доступныstanford-cs324.github.io. Рекомендуется для желающих понять принципы работы GPT-3/4, PaLM и других передовых моделей Generative AI.
6. DeepMind/UCL: Deep Reinforcement Learning (David Silver) – UCL, 2015 – английский.
   Знаменитый курс по обучению с подкреплением (RL) от Дэвида Сильвера, ведущего исследователя DeepMind. Состоит из 10 лекцийreddit.com, охватывающих: основы RL (функции ценности, итерация ценностей/политик), методы на основе Монте-Карло и TD, алгоритмы Q-learning, SARSA, функции приближения и Deep Q-Network (DQN)huggingface.co. Хотя курс читался в 2015 году, это классика RL – фундаментальные принципы не устарели. После его прохождения вы будете готовы к современным методам (policy gradient, актер-критик), которые можно изучить в более новых курсах. Лекции доступны на YouTube, конспекты – на сайте UCL.
7. Hugging Face Deep Reinforcement Learning Course – HuggingFace, 2022 – английский.
   Практический бесплатный курс от Hugging Face по глубокому RL. Особенность – использование Unity ML-Agents в симуляциях. Курс ведет от простых примерοв (балансировка столбика) к продвинутым (обучение агентοв играть в игры), включая темы: политика vs ценность, DQN, Policy Gradient, PPO. Основа – ноутбуки на Colab с библиотекой HuggingFace для интеграции с тренированными агентами (возможность делиться обученными моделями через Hub). Рекомендуется для освоения RL через код – курс «from beginner to expert» по заявлению авторовhuggingface.co. Требуется знание Python и основ DL.
8. Full Stack Deep Learning – FullStackDeepLearning.com (Berkeley), 2022 – английский.
   Интенсивный курс по построению и развертыванию ML/DL-продуктов. Впервые проведён в UC Berkeley (2019), обновлён в 2022fullstackdeeplearning.com. Охватывает полный цикл: от выбора идеи и сбора данных до обучения моделей в распределенной среде, MLOps, мониторинга и масштабирования в продакшене. Лекции (~15 шт) и лабораторные работы (постепенная разработка полноценного проекта – например, распознавания текста) доступны бесплатноyoutube.com. Отлично подходит практикам, уже знакомым с моделированием, которые хотят узнать, как превратить модель в работающий сервис (навыки, востребованные в индустрии).
9. Machine Learning Engineering for Production (MLOps) – DeepLearning.AI/Coursera, 2021 – английский.
   Специализация от Эндрю Ына, посвященная инженерным аспектам ML. 4 курса: проектирование ML-систем, данные и стратегии их подготовки, развертывание и мониторинг моделей, команды и процессы MLOpsgithub.com. Курс учит лучшим практикам – от управления версиями данных до A/B-тестирования моделей и настройке конвейера CI/CD для ML. Рекомендуется для тех, кто собирается работать ML-инженером: вы научитесь внедрять модели в приложениях, предотвращать деградацию качества со временем, учитывать надежность и масштабируемость ML-сервисов.
10. Dive into Deep Learning (D2L) – d2l.ai (книга/курс), 2021 – английский (есть переводы).
    Бесплатный интерактивный учебник по глубокому обучению с открытым кодомd2l.ai. Написан группой авторов (Астон Чжан и др.) и одобрен, как учебник, в сотнях университетовd2l.ai. Книга покрывает всё: от введения в ndarray и автоградиент до современных моделей (CNN, RNN, трансформеры, GANS) и дополнительных глав по рекоммендателям, графовым нейросетям, RL и даже математическим основам в приложенииd2l.aid2l.ai. Каждый раздел сопровождается Jupyter-ноутбуками на Python (есть реализации для PyTorch, TensorFlow, MXNet). D2L подходит для самостоятельного глубокого погружения: читая и выполняя код, вы и теорию поймёте, и навыки кода приобретёте. (Официальных русских переводов нет, но часть сообщества делала переводы.)
11. Advanced Machine Learning Specialization – Coursera (HSE & Yandex), 2018 – английский/русский.
    Продвинутый специалитет из 7 курсов от ВШЭ/Яндекса (на английском, кроме одного курса на русском). Охватывает разнообразные направления ML:
    – Введение в глубокое обучение (основы DL, курс читают И. Середюк и др.),
    – Байесовские методы (справедливо считается сложным, преподаёт Дмитрий Ветров),
    – Машинное обучение на больших данных (способы масштабирования),
    – Практический анализ данных и машинное обучение (от Яндекс, на русском),
    – Рекомендательные системы,
    – Обучение с подкреплением (курс на английском от исследователей из Yandex/ВШЭ),
    – Как выиграть соревнование по анализу данных (методы Kaggle-чемпионов).
    Каждый курс можно проходить отдельно. Специализация подойдёт тем, кто уже уверенно владеет базовым ML/DL и хочет получить широкий спектр знаний на экспертном уровне. Это сложные курсы, но они от авторитетных преподавателей и отражают состояние исследований на момент ~2018 г. (теория по большей части не устарела).
12. Andrej Karpathy – Neural Networks: Zero to Hero – YouTube, 2022 – английский.
    Серия из ~3 больших видео-лекций (+ сопроводительные стримы) от Андрея Карпати (экс-директор Tesla AI, известный популяризатор DL). Формат не академический, а практический: в первой части Карпати пишет с нуля фреймворк micrograd (автоград для простейшей нейросети), во второй – строит корректно обучающийся нейронный язык (char-RNN), а в третьей – шаг за шагом реализует упрощенную версию GPT (названную “makemore”) для генерации имен. Этот курс ценен тем, что показывает процесс разработки нейросетей на голом Python, без скрытой магии библиотек. Рекомендуется продвинутым студентам: вы получите глубокое интуитивное понимание работы нейросетей и современные навыки (например, создание трансформера с нуля) от первоклассного специалиста.
13. MIT 6.S191: Introduction to Deep Learning – MIT, 2023 – английский.
    Краткий интенсив (MIT IAP) по глубокому обучению. Несмотря на название “Introduction”, курс охватывает современные темы DL в сжатом формате. Включает: основы нейронных сетей, оптимизацию, CNN, RNN, трансформеры и внимание, генеративные модели (GAN, VAEs), а также применения DL в науке и играх. Лекции (6 по ~1 часу) и все слайды доступны на сайтеyoutube.com, есть лабораторные работы на Python (Google Colab). MIT 6.S191 отлично подходит для освежения и систематизации знаний: за одну неделю вы пробежите весь спектр DL-идей, что особенно полезно, если вы готовитесь к собеседованию или планируете дальнейшие исследования.
14. Caltech: Learning from Data – California Institute of Technology, 2012 – английский.
    Теоретический курс по машинному обучению от проф. Ясера Абу-Мостафа. Известен своей ясностью изложения и глубиной. Темы: формальная постановка задачи обучения, теория обобщения (границы обобщающей способности, VC-измеримость), линейные модели, алгоритм перцептрона, теория.bias-variance decomposition, регуляризация, ядровые методы, и введение в бустинг и др. Этот курс – для энтузиастов математики в ML: он даёт понимание “почему” работают алгоритмы. Видео-лекции доступны бесплатно, а одноимённая книга стала настольной для многих исследователей. Рекомендуется тем, кто уже практикует ML и хочет заглянуть в фундамент теории обучения.
15. Stanford: Probabilistic Graphical Models – Coursera (Stanford), 2012 – английский.
    Продвинутый курс, разработанный Дафной Коллер. Посвящён пробабилистическим графовым моделям – основам байесовского подхода в ML. Включает: байесовские сети и марковские случайные поля, алгоритмы выводов (variable elimination, belief propagation), методы обучения параметров и структуры графов, а также темы MCMC и вариационного вывода. Это непростой, математически насыщенный материал, необходимый для понимания таких вещей, как скрытые модели (например, Hidden Markov Models) и современных моделей типа Bayesian Deep Learning. Курс хоть и старый, остаётся эталоном в своей теме (автор – сооснователь Coursera и один из пионеров PGM). Для успешного прохождения понадобятся уверенные навыки вероятностной теории.
16. DeepLearning.AI: Generative Adversarial Networks Specialization – Coursera, 2019 – английский.
    Специализация (3 курса) от команды Э. Ына, посвящённая генеративно-состязательным сетям (GAN). Здесь разбираются основы GAN: как устроены генератор и дискриминатор, функция стоимости Минмакс; изучаются улучшения типа WGAN, GAN с условием (cGAN); практические проекты включают генерацию изображений, синтез монет (простейший случай) и др. Ведущие курса – специалисты из компании где работал И. Гудфеллоу. Хотя с 2019 года появились ещё более совершенные диффузионные модели, понимание GAN по-прежнему полезно для общей эрудиции в Generative AI. После прохождения вы сможете экспериментировать с созданием изображений, анимаций или других данных с помощью GAN.
17. Coursera: Reinforcement Learning Specialization – University of Alberta, 2019 – английский.
    Серия из 4 курсов по обучению с подкреплением от лидеров альбертийской школы RL (например, профессор Марта Уайт). Более академичный и современный подход к RL по сравнению с курсом Сильвера: материал увязан с книгой “Introduction to Reinforcement Learning” Р. Саттона. Специализация охватывает: основы (вознаграждение, марковские решения процессов), методы прогнозирования, контроль с ценностями (Q-learning и др.), методы на основе политики (Policy Gradient, Actor-Critic). Практические задания выполняются в средах OpenAI Gym на Python. Отличный вариант, если вы хотите получить структурированное обучение RL онлайн: после неё вы будете готовы реализовать и DQN, и более продвинутые алгоритмы.
18. CMU 11-785: Introduction to Deep Learning – Carnegie Mellon University, 2022 – английский.
    Один из самых объёмных университетских курсов по Deep Learning. Читается в CMU для магистрантов, но лекции (более 50 часов видео) доступны на YouTube. Курс покрывает практически все аспекты DL: от основ (backprop, инициализация, оптимизаторы) до детального разбора CNN (архитектуры от LeNet до EfficientNet), Sequence Models (RNN, LSTM, Seq2Seq), Attention и Transformers, современных NLP-моделей, а также тем компьютерного зрения (детекция, сегментация), аудио (speech recognition), и даже затрагивает справедливость AI и компрессию моделей. Домашние задания – трудоёмкие проекты в PyTorch (например, сверточные сети, трансформеры). CMU 11-785 рекомендуется тем, кто планирует научную работу или карьеру в индустрии, требующую глубокого понимания DL: усердно пройдя этот курс, вы будете «говорить» на одном языке с профессионалами больших компаний.
19. Berkeley CS285: Deep Reinforcement Learning – UC Berkeley, 2020 – английский.
    Курс Сергея Левина по глубокому RL (Berkeley). Считается одним из самых продвинутых по содержанию: помимо основ (на которых фокусируется курс Alberta), CS285 разбирает актуальные алгоритмы и трюки, используемые в исследованиях. Темы: алгоритмы Policy Gradient (REINFORCE), Trust Region Policy Optimization (TRPO), Proximal PPO, Off-Policy методы (DQN подробно, DDPG, SAC для непрерывных действий), моделирование среды (Model-Based RL), обучение навыкам, имитационное обучение. Также обсуждаются применения: обучение роботов, автопилоты. Домашние задания предполагают программирование agентов в средах Gym. Этот курс – отличный выбор, если вы хотите углубиться именно в RL после освоения базовых принципов (например, после курса Silver или Alberta).
20. Stanford CS330: Deep Multi-Task and Meta Learning – Stanford, 2019 – английский.
    Специализированный исследовательский курс, преподававшийся Челси Финн. Посвящён мета-обучению и обучению нескольким задачам – направлениям, которые лежат в основе современных подходов к few-shot learning. Студенты знакомятся с алгоритмами типа MAML (Model-Agnostic Meta-Learning), прототипическими сетями, методами обучения с переносом, а также обсучиваются построению агентов, способных быстро обучаться новым навыкам. Курс также затрагивает области применения: от робототехники (адаптация к новым условиям) до NLP (обучение на малых данных). Рекомендуется тем, кто интересуется передовыми исследованиями: материалы курса помогут понять, как модели вроде GPT-3 способны решать новые задачи с парой примеров и как разрабатываются алгоритмы, обучающиеся учиться.

---

Рекомендации: что учить и когда

В заключение – краткое резюме, какие курсы выбирать в зависимости от вашего уровня и целей:

Ваш уровень / цель	Рекомендуемые курсы
Новичок в программировании и ML (нет навыков кодинга, математика школьная)	Начните с основ: AI For Everyone (понять идею ИИ без кода), Elements of AI (теория с простыми упражнениями). Затем переходите к практикам: Google ML Crash Course и интерактивные курсы Kaggle (Intro ML) – они дадут первое навыки работы с данными и моделями. При желании можно посмотреть вводные видео CS50 AI (для обзора).
Начальные знания есть (знакомы с Python, понимаете базовые термины ML)	Укрепите фундамент: пройдите Machine Learning Specialization (Andrew Ng) или русскоязычный курс Введение в ML (ВШЭ/Яндекс) – они систематизируют знанияcs.hse.ru. Параллельно практикуйтесь: fast.ai ML для кодеров (на классических алгоритмах) или задания из mlcourse.ai. После этого переходите к глубокому обучению: fast.ai DL Part 1 – быстрый вход в DL через практику, или Deep Learning Specialization для более академичного подхода.
Уверенный пользователь ML/DL (есть опыт реализации моделей, хотите специализироваться)	Выбирайте направление: Для Computer Vision – курс CS231n (Стэнфорд) или практики в fast.ai Part 2; для NLP – CS224n и курс HuggingFace (а затем эксперименты с трансформерами). Интересуетесь RL – начните с курса Silver (DeepMind/UCL) или спец. Alberta, затем Berkeley CS285 для продвинутых техник. Хотите в рисерч – изучите теорию: Learning from Data (Caltech) для статистики, CS229/CS330 для глубокого понимания алгоритмов и мета-обучения. Для карьеры ML-инженера – сфокусируйтесь на MLOps: пройдите Full Stack DL и специализацию ML Engineering for Production (они научат внедрять модели в продукт). Не забывайте про новейшие тренды: курсы по LLM (CS324) и Generative AI помогут оставаться на гребне волны в 2024–2025.

Используя эту дорожную карту, вы сможете постепенно продвигаться от основ машинного обучения к его передовым областям. Удачи в обучении!