MIT 6.S191: путеводитель по интенсиву Introduction to Deep Learning

MIT 6.S191 Introduction to Deep Learning — недельный интенсив MIT, который проводится с 2017 года; сейчас его ведут Александр Амини и Ава Амини. По описанию на сайте курса, это «эффективный и интенсивный буткемп», задача которого — как можно быстрее дать основы глубокого обучения: от перцептрона до больших языковых моделей и генеративного ИИ. Лекции, слайды и лабораторные открыты всему миру.

На чём основана страница

Расписание и описание — из исходников сайта курса на GitHub (MITDeepLearning/introtodeeplearning.com, страница 2026/index.html), лекции — из опубликованных там же слайдов 2026 года, лабораторные — из репозитория MITDeepLearning/introtodeeplearning (лицензия MIT). Сам сайт introtodeeplearning.com и YouTube для нашего прокси закрыты, поэтому таймкоды видео не приводим.

Что это за курс

Перевод описания с сайта курса:

Вводная программа MIT по методам глубокого обучения с применениями в обработке естественного языка, компьютерном зрении, биологии и не только! Студенты получат базовые знания алгоритмов глубокого обучения, практический опыт построения нейросетей и понимание передовых тем, включая большие языковые модели и генеративный ИИ. Программа завершается конкурсом проектных предложений с отзывами преподавателей и жюри из компаний-спонсоров. Предполагается знание анализа (то есть умение брать производные) и линейной алгебры (то есть умение перемножать матрицы), всё остальное мы постараемся объяснить по ходу! Опыт работы с Python полезен, но не обязателен.

Формат 2026 года. Очная часть прошла 5–9 января 2026 года в MIT (аудитория 32-123), онлайн-версия выходила по понедельникам с 30 марта по 25 мая 2026 года — по лекции в неделю. Студенты MIT получали 3 зачётные единицы по системе «зачёт/незачёт» за проектное предложение. Финальный проект на выбор: 5-минутная презентация новой идеи (с жюри и призами) или одностраничный разбор статьи по глубокому обучению.

Расписание 2026 года и наши переводы

№	Тема	Лектор	Наша страница
Лекция 1	Introduction to Deep Learning — перцептрон, обучение, обратное распространение	Александр Амини	конспект, лекции 1–3
Лекция 2	Deep Sequence Modeling — RNN, LSTM, self-attention	Ава Амини	конспект, лекции 1–3
Лаб. 1	Deep Learning in Python; Music Generation — PyTorch и генерация музыки на LSTM	—	перевод условия
Лекция 3	Deep Computer Vision — свёртки, CNN, детекция, сегментация	Александр Амини	конспект, лекции 1–3
Лекция 4	Deep Generative Modeling — автоэнкодеры, VAE, GAN	Ава Амини	конспект, лекции 4–6
Лаб. 2	Facial Detection Systems — MNIST и детектор лиц без смещений (DB-VAE)	—	перевод условия
Лекция 5	Deep Reinforcement Learning — Q-обучение, DQN, градиент политики	Александр Амини	конспект, лекции 4–6
Лекция 6	New Frontiers — ограничения нейросетей, диффузия, LLM	Ава Амини	конспект, лекции 4–6
Лаб. 3	Fine-Tune an LLM, You Must! — LoRA и «LLM как судья»	—	перевод условия
Лекция 7	The Three Laws of AI — оценка и безопасность LLM	Дуглас Бланк (Comet ML)	конспект гостевых лекций
Лекция 8	AI for Science — эмуляторы, DFT, молекулярная динамика	Кристофер Бишоп (Microsoft Research)	конспект гостевых лекций
Лекция 9	Secrets to Massively Parallel Training — распределённое обучение	Матиас Лехнер (Liquid AI)	конспект гостевых лекций
Лекция 10	гостевая лекция	Мэтт Джонсон (Google DeepMind)	слайды не опубликованы

Как проходить вместе с ChinaAI

6.S191 — обзорный курс: за неделю он пролетает через всё глубокое обучение. Это хороший «первый проход» по ступени 3 и «карта местности» для ступеней 4–9, но не замена нашим урокам, где те же идеи собираются руками.

1. Перед ступенью 3 посмотрите лекции 1–3 (или прочитайте конспект). Ничего не страшно, если половина непонятна, — это обзор.

2. Вместе с модулем 3.3 «PyTorch» сделайте лабораторную 1, часть 1: тензоры, свой слой, nn.Module, autograd. Часть 2 (LSTM пишет музыку) — после урока 4.1.5 или раньше, если интересно.

3. Вместе с модулем 3.5 «Компьютерное зрение» — лабораторная 2, часть 1 (MNIST). Часть 2 (детектор лиц с VAE) — после лекции 4 и урока 9.1.3.

4. Лекции 4–6 — для кругозора в конце ступени 3; к ним вы вернётесь на ступенях 6 (RL) и 9 (генеративные модели).

5. Лабораторная 3 (LoRA и «LLM как судья») — на ступени 6, вместе с уроками 6.2.1 и 7.3.2.

6. Гостевые лекции — по интересу: лекция 9 о параллельном обучении хорошо ложится на ступень 5, лекция 7 — на ступень 8.

Лекция или лабораторная	Урок ChinaAI	Важность
Лекция 1	3.1.1 Нейрон и MLP, 3.1.2 Прямой и обратный проход	★★★
Лекция 2	3.4.3 CNN и RNN, 4.4.1 Интуиция внимания	★★★
Лекция 3	3.5.1 Свёртка с нуля	★★
Лекция 4	9.1.3 Автоэнкодеры, VAE	★★
Лекция 5	6.0.1 MDP и Беллман	★★
Лекция 6	9.1.2 Диффузия, 4.1.1 Языковая модель	★★
Лекции 7–9	8.4.2, 5.4.3	★
Лабораторная 1	3.3.1, 3.3.2, 4.1.5	★★★
Лабораторная 2	3.5.2 CNN на практике	★★
Лабораторная 3	6.2.1 LoRA, 7.3.2 LLM как судья	★★

Лабораторные: как запускать

Лабораторные рассчитаны на Google Colab: в репозитории у каждого ноутбука есть кнопка «Run in Colab», среда выполнения — Python 3 с GPU, нужно заполнить ячейки # TODO. У каждой лабораторной есть версия на PyTorch (PT_…), у первых двух — ещё и на TensorFlow (TF_…); решения лежат в папках solutions/ — смотрите их только после своей попытки. Вспомогательный пакет курса ставится командой pip install mitdeeplearning и открыт под той же лицензией.

На своей машине ноутбуки идут в обычном Jupyter:

# в своём виртуальном окружении (см. урок 0.1.2)
git clone https://github.com/MITDeepLearning/introtodeeplearning
cd introtodeeplearning
pip install mitdeeplearning torch torchvision jupyter
jupyter lab   # откройте lab1/PT_Part1_Intro.ipynb

Comet ML (журнал экспериментов) и OpenRouter (LLM-судья в лабораторной 3) требуют регистрации и ключей. Без Comet можно обойтись, убрав вызовы comet_ml; для судьи можно взять локальную модель — подробности в переводах лабораторных.

Лицензия. Код и ноутбуки — MIT; при использовании вне курса авторы просят ссылаться на «© MIT Introduction to Deep Learning, http://introtodeeplearning.com». Слайды и видео свободной лицензии не имеют (использование и изменение — со ссылкой на курс), поэтому лекции у нас — пересказ, а лабораторные — полный перевод.

Что ещё есть

• Архив прошлых лет (2017–2025): слайды и видео каждого выпуска лежат в соответствующих папках репозитория сайта; состав лекций год от года близок, гостевые лекции меняются.
• Дополнительные лабораторные в папке xtra_labs репозитория: RL для беспилотной машины и игры Pong, неопределённость моделей (на основе библиотеки Capsa) — частично помечены как незавершённые.

Что дальше

После 6.S191 логично идти глубже: в нашей программе — ступени 3–4 с собственным автоградом и GPT с нуля, из внешних курсов — Stanford CS231n (зрение, см. переводы заметок) и CS224N (NLP, см. путеводитель).