Книги и литература
Подборка курсов и обучающих материалов по направлению
Все рубрики
Софт, программы, скрипты
Подборка курсов и обучающих материалов по направлению
Все рубрики
По авторам
Подборка курсов и обучающих материалов по направлению
Все рубрики
Загрузка списка…
По школам
Подборка курсов и обучающих материалов по направлению
Все рубрики
Загрузка списка…
Бухгалтерия и финансы
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Отдых и путешествия
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Схемы заработка
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Соблазнение и пикап
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Строительство и ремонт
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Музыка
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Авто и мото
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Образование и репетиторство
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
Другие тематики
Подборка курсов и обучающих материалов по направлению
Все рубрики
Подкатегорий пока нет
0Корзина Закладки 0

Укажите в поиске ключевое слово / автора / название курса

Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch

Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch

Артикул: 13933 В наличии

Автор курса:
Сергей Балакирев

Категория: Бизнес, менеджмент, продажи / Программирование / Нейросети / Data Science и аналитика

Дата выхода: 2026

Продажник от автора: Перейти на продажник

Вид доступа: Облако Mail


179,00 ₽

Пришлите ссылку — проверим предложение и ответим на почту.

Заметки Kursberry · материал №13933

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.

О материале

Программа и содержание

Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch (2026)

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

  1. Начало
  2. Структура и принцип работы полносвязных нейронных сетей
  3. Установка PyTorch совместно с CUDA
  4. Создание тензоров. Конвертирование в NumPy
  5. Тензоры. Автозаполнение, изменение формы
  6. Тензоры. Индексирование и срезы
  7. Тензоры. Базовые математические операции
  8. Тензоры. Тригонометрические и статистические функции
  9. Тензоры. Векторно-матричные операции
  10. Использование CPU и GPU на примере простой НС
  11. Персептрон - возможности классификации образов
Создание и обучение моделей полносвязных нейронных сетей
  1. Идея обучения НС градиентным алгоритмом
  2. Алгоритм back propagation
  3. Функции активации и потерь в PyTorch
  4. Автоматическое дифференцирование
  5. Оптимизаторы. Реализация SGD на PyTorch
  6. Классы nn.Linear и nn.Module
  7. Форматы выборок. Сбалансированность и репрезентативность
  8. Классы Dataset и Dataloader
  9. Применение классов Dataset и Dataloader
  10. Классификация изображений цифр БД MNIST
  11. Трансформации transform. Класс ImageFolder
  12. Сохранение и загрузка моделей нейронных сетей
  13. Переобучение (overfitting). Критерии останова обучения
  14. L2-регуляризатор и Dropout
  15. Алгоритм Batch Normalization
  16. Классы Sequential, ModuleList и ModuleDict
Сверточные нейронные сети
  1. Введение в сверточные нейронные сети (CNN)
  2. Классы Conv2d и MaxPool2d
  3. Пример реализации сверточной нейронной сети
  4. Сверточные нейронные сети VGG-16 и VGG-19
  5. Теория стилизации изображений (Neural Style Transfer)
  6. Делаем стилизацию изображений на PyTorch
  7. Остаточные нейронные сети (residual networks - ResNet)
  8. Архитектуры ResNet-18 и ResNet-50
  9. Использование ResNet моделей. Их связь с Dropout и бустингом
  10. Transfer Learning (трансферное обучение)
  11. Архитектура сети U-Net. Семантическая сегментация изображений
  12. Реализация U-Net для семантической сегментации изображений
Рекуррентные нейронные сети
  1. Введение в рекуррентные нейронные сети
  2. Класс nn.RNN рекуррентного слоя
  3. Рекуррентная сеть для прогноза символов
  4. Понятие эмбеддинга. Embedding слов
  5. Прогноз слов рекуррентной нейронной сетью
  6. Функции активации в RNN. Двунаправленные RNN
  7. Двунаправленные RNN в PyTorch. Сентимент-анализ фраз
  8. LSTM - долгая краткосрочная память
  9. Рекуррентный блок GRU
Автоэнкодеры. Генеративные сети
  1. Введение в автоэнкодеры
  2. Вариационные автоэнкодеры (VAE)
  3. Реализация вариационного автоэнкодера (VAE)
  4. Генеративно-состязательные сети (GAN)
  5. 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

Другие доступные материалы
Помощь перед покупкой

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».

Подробная инструкция по покупке.

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.