Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch
Артикул: 13933 В наличии
Категория: Бизнес, менеджмент, продажи / Программирование / Нейросети / Data Science и аналитика
Дата выхода: 2026
Продажник от автора: Перейти на продажник
Вид доступа: Облако Mail
Что учесть при выборе
- Выпуск: 2026
- Доступ: Облако Mail
Подготовка к практике
Сверьте язык, версии инструментов и уровень подготовки с описанием. До покупки проверьте, есть ли код и задания: они помогут повторять примеры и собирать свой проект.
Доступ и версия
Для этого материала указан доступ: Облако Mail. Проверьте, сможете ли вы открыть этот сервис на своём устройстве и достаточно ли места для сохранения файлов.
Условия получения материалов — в инструкции по покупке. Вопросы о составе: admin@kursberry.com.
Программа и содержание
Слив курса Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch [Stepik] [Сергей Балакирев]
Нейронные сети не нуждаются в представлении. О них слышал практически каждый. Но далеко не каждый понимает и даже отдаленно представляет принцип их работы.
Это рождает много домыслов и небылиц о зарождении искусственного самосознания, захвата мира бездушными машинами, о проникновении в творческие профессии и полного вытеснения из них человека.
Чтобы лучше разбираться в этих и других подобных вопросах, как всегда, необходимы базовые, фундаментальные знания в области нейронных сетей.
И этот курс предоставляет их вам, с минимальными математическими обоснованиями, необходимыми для понимания сути приводимых алгоритмов.
Я думаю, этот курс будет полезно пройти даже тем, кто не собирается проектировать, обучать и внедрять нейросетевые технологии в повседневную жизнь.
Ценность этого курса уже в том, чтобы устранять многие мифы и небылицы вокруг этого относительно нового направления и тем самым поддерживать
развитие искусственного интеллекта в нашей стране. Тем более, что лидеры в нем сейчас Китай и США.
Практической основой курса выбран фреймворк PyTorch, с помощью которого выполняется построение и обучение нейронных сетей.
Почему именно PyTorch? В действительности, единственный конкурент ему другой аналогичный фреймворк Keras/Tensorflow.
Однако PyTorch имеет более удобный функционал проектирования сетей самой разной архитектуры.
В то время как Keras/Tensorflow больше зарекомендовал себя в коммерческих приложениях (в продакшене) благодаря несколько более высокой скорости обучения НС.
Но различия по скорости работы между этими двумя фреймворками не так существенны, а иногда и вовсе незаметны, чтобы отказываться от удобства PyTorch в пользу Keras/Tensorflow.
К тому же, изучив PyTorch, вы легко сможете перейти на Keras/Tensorflow, если в этом возникнет необходимость.
Программа курса:
Введение в нейросети. Тензоры PyTorch
- Начало
- Структура и принцип работы полносвязных нейронных сетей
- Установка PyTorch совместно с CUDA
- Создание тензоров. Конвертирование в NumPy
- Тензоры. Автозаполнение, изменение формы
- Тензоры. Индексирование и срезы
- Тензоры. Базовые математические операции
- Тензоры. Тригонометрические и статистические функции
- Тензоры. Векторно-матричные операции
- Использование CPU и GPU на примере простой НС
- Персептрон - возможности классификации образов
- Идея обучения НС градиентным алгоритмом
- Алгоритм back propagation
- Функции активации и потерь в PyTorch
- Автоматическое дифференцирование
- Оптимизаторы. Реализация SGD на PyTorch
- Классы nn.Linear и nn.Module
- Форматы выборок. Сбалансированность и репрезентативность
- Классы Dataset и Dataloader
- Применение классов Dataset и Dataloader
- Классификация изображений цифр БД MNIST
- Трансформации transform. Класс ImageFolder
- Сохранение и загрузка моделей нейронных сетей
- Переобучение (overfitting). Критерии останова обучения
- L2-регуляризатор и Dropout
- Алгоритм Batch Normalization
- Классы Sequential, ModuleList и ModuleDict
- Введение в сверточные нейронные сети (CNN)
- Классы Conv2d и MaxPool2d
- Пример реализации сверточной нейронной сети
- Сверточные нейронные сети VGG-16 и VGG-19
- Теория стилизации изображений (Neural Style Transfer)
- Делаем стилизацию изображений на PyTorch
- Остаточные нейронные сети (residual networks - ResNet)
- Архитектуры ResNet-18 и ResNet-50
- Использование ResNet моделей. Их связь с Dropout и бустингом
- Transfer Learning (трансферное обучение)
- Архитектура сети U-Net. Семантическая сегментация изображений
- Реализация U-Net для семантической сегментации изображений
- Введение в рекуррентные нейронные сети
- Класс nn.RNN рекуррентного слоя
- Рекуррентная сеть для прогноза символов
- Понятие эмбеддинга. Embedding слов
- Прогноз слов рекуррентной нейронной сетью
- Функции активации в RNN. Двунаправленные RNN
- Двунаправленные RNN в PyTorch. Сентимент-анализ фраз
- LSTM - долгая краткосрочная память
- Рекуррентный блок GRU
- Введение в автоэнкодеры
- Вариационные автоэнкодеры (VAE)
- Реализация вариационного автоэнкодера (VAE)
- Генеративно-состязательные сети (GAN)
- Реализация GAN на PyTorch
Знакомство с материалом «Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»
Kursberry собрал сведения об этом материале в одной карточке: программу, характеристики и доступные варианты. Он относится к направлению «Бизнес, менеджмент, продажи / Программирование / Нейросети / Data Science и аналитика». Автор или образовательный проект — Сергей Балакирев. В качестве даты выхода указано: 2026.
Парная версия для данного товара не указана. Если вам нужны конкретные характеристики записи, задайте вопрос до покупки.
Для открытия материала указан Облако Mail. Способ просмотра зависит от того, какие файлы входят в выбранный вариант.
Похожие курсы
Вопросы и ответы
Как получить курс?
Добавьте курс в корзину или нажмите «Купить», выберите удобный способ оплаты и завершите заказ. После подтверждения оплаты ссылки на материалы автоматически придут на указанную почту. Авторизованные пользователи также найдут купленные материалы в разделе «Мои покупки».
Почему такая цена?
Материалы приобретаются совместно, поэтому стоимость заметно ниже цены автора. Вы получаете запись курса и заявленные материалы для самостоятельного обучения; обратная связь автора обычно не входит, если отдельно не указано обратное.
Нашли дешевле?
Пришлите нам ссылку на более дешёвое предложение — проверим его и постараемся сделать цену ниже. .
Где будет доступ к курсу?
Для этого товара указан вид доступа: Облако Mail. После оплаты вы получите нужную ссылку или приглашение.
Можно ли скачать материалы?
Если материалы находятся в облачном хранилище, их обычно можно смотреть онлайн или скачать себе. Исключения зависят от формата конкретного курса.
Есть ли гарантия получения?
После подтверждения оплаты выдача происходит автоматически. Если возникнет вопрос с оплатой или доступом, напишите нам в Telegram, через чат на сайте или на admin@kursberry.com. До покупки по запросу можем показать дополнительные скриншоты или фрагмент содержимого.