Прогресс обучения

Архитектуры CNN: свёртки, pooling, receptive field

Residual connections (ResNet) и обучение глубоких сетей

Vision Transformers (ViT) и гибриды CNN+Attention

Конспект в Notion

Детекция: two-stage vs one-stage (R-CNN family, YOLO)

Сегментация: IoU, Dice, маски и построение лоссов

Диффузионные модели и латентное пространство (LDM)

Мультимодальность: CLIP и связка LLM + vision encoders

Линейная алгебра для CV: SVD, PCA, гомографии

Градиентный спуск, momentum, Adam — устойчивое обучение

Вероятности и MLE/MAP для ML-моделей

Дифференцирование графов вычислений (backprop intuition)

Математика attention: softmax, scaled dot-product

OpenCV: препроцессинг, аугментации, геометрия

PyTorch: Dataset, DataLoader, training loop, mixed precision

ONNX → TensorRT: квантизация и ускорение на edge

Docker для ML-сервисов и воспроизводимых окружений

FastAPI: async inference API, валидация, OpenAPI

Введение в CUDA: когда нужны кастомные ядра

Практика: fine-tuning классификатора (EfficientNet / ResNet)

Практика: обучение/инференс YOLOv8 на кастомном датасете

Практика: сегментация масок (U-Net / YOLO-seg)

Edge: деплой детекции на NVIDIA Jetson, бенч FPS

MLOps: логирование экспериментов и версии датасетов

Стратегии аугментаций для CV (CutMix, MixUp, color jitter)