Глубокое обучение и нейросети в действии на PyTorch и Python

Введение в глубокое обучение: обзор современных трендов, бизнес-кейсов и перспектив применения ИИ Экосистема PyTorch: обзор возможностей библиотеки, установка и настройка среды разработки Работа с тензорами в PyTorch: основные операции, манипуляция данными и работа с GPU Создание базовых моделей: реализация простой модели (линейная регрессия, перцептрон) Практическое занятие: написание первой модели в PyTorch и анализ ее работы

Полносвязные нейронные сети: принципы работы, слои, функции активации и оптимизация Сверточные нейронные сети (CNN): структура CNN, свёрточные и pooling-слои, классические архитектуры (LeNet, AlexNet) Рекуррентные нейронные сети (RNN): основы RNN, LSTM, GRU для обработки последовательных данных Практическое занятие: разработка и обучение модели для классификации изображений с использованием CNN

Трансферное обучение: использование предобученных моделей для ускорения разработки Методы регуляризации: Dropout, Batch Normalization и техники предотвращения переобучения Оптимизация гиперпараметров: подбор параметров, работа с оптимизаторами и функциями потерь Практическое занятие: доработка модели с применением трансферного обучения и регуляризации

Обработка текста: токенизация, эмбеддинги (Word2Vec, GloVe) и работа с последовательностями Архитектуры для NLP: RNN, Transformer и их применение в задачах анализа текста Мультимодальные нейронные сети: объединение данных изображений и текста для комплексных задач Практическое занятие: разработка модели для анализа текстовых данных или мультимодального решения

Интерпретация нейросетевых моделей: методы визуализации и объяснения решений моделей (Grad-CAM, SHAP) Введение в MLOps: основы автоматизации процессов обучения, мониторинга и обновления моделей Интеграция моделей в приложения: создание REST API для модели с использованием Flask/FastAPI Практическое занятие: разработка итогового проекта: от прототипирования до развертывания модели