Специальные архитектуры нейронных сетей (введение в CNN,RNN,NLP)
Подробнее
Что нужно для старта
- Необходимо знание математики в школьном объёме и первоначальные сведения по теории нейронных сетей (ещё раз прорекламируем наш курс «Введение в искусственные нейронные сети»).
Что вы получите
- Чертовски расширите свой кругозор! Оказывается, в мире существует так много различных типов нейронных сетей, и они не похожи друг друга!
- Поймете важность изучения математики. Дело в том, что тренировка сетей специальной архитектуры с математической точки зрения ничем не отличается от тренировки классических (полносвязных) нейронных сетей.
- Узнаете, как наиболее эффективно обрабатывать нечисленные данные (картинки, тексты, видео...) с помощью нейронных сетей.
- Познакомитесь со строением свёрточных, рекуррентных и состязательных (GAN) нейросетей, а также автокодировщиков.
- Мы рассмотрим новые (которых не было в нашем последнем курсе) постановки задач: задача обработки текстов (NLP), задача генерации новых объектов (GAN), задача сегментации итд.
- После каждой темы вас будет ждать блок теоретических задач по материалам главы.
Для кого этот курс
- Студенты технических специальностей, мотивированные школьники. Любой желающий (но при отсутствии знаний школьной математики он будет здесь страдать).
Программа курса
- Картинки как объект для нейронных сетей
- Свёрточная архитектура
- Матричные фильтры
- Параметры свёртки
- Композиция фильтров
- Выводы
- Фильтры в нейронных сетях
- Пулинг
- Многоканальные фильтры
- Картинка превращается в вектор
- Выводы
- LeNet
- VGG
- ResNet
- Принципы тренировки глубоких сверточных нейронных сетей
- Transfer learning
- Сверточная нейронная сеть действительно понимает, что видит?
- Выводы
- Постановка задачи
- Специальные архитектуры нейронных сетей для сегментации
- Деконволюция
- Операция unpooling
- Достижения и следствия из сегментации
- Тренировка сегментирующей нейронной сети
- Выводы
- Сделать из конфетки… конфетку
- Зачем они нужны?
- Выводы
- Постановка задачи
- Как превращать фото в вектора?
- Тренировка embedding-а
- Выводы
- Был текст, получились числа
- Контекст слова и работа с ним
- Технологии типа word2vec
- Negative sampling
- Что дальше?
- Выводы
- Введение
- Выводы
- Общая идея
- Генерация текста и его тональность
- LSTM-ячейки
- Выводы
- Опрос слушателей курса
01Распознавание картинок: нейросети, фильтры и свёртки
- Картинки как объект для нейронных сетей
- Свёрточная архитектура
- Матричные фильтры
- Параметры свёртки
- Композиция фильтров
- Выводы
02Свёрточные нейронные сети
- Фильтры в нейронных сетях
- Пулинг
- Многоканальные фильтры
- Картинка превращается в вектор
- Выводы
03Очень большие сверточные нейронные сети
- LeNet
- VGG
- ResNet
- Принципы тренировки глубоких сверточных нейронных сетей
- Transfer learning
- Сверточная нейронная сеть действительно понимает, что видит?
- Выводы
04Сегментация изображений
- Постановка задачи
- Специальные архитектуры нейронных сетей для сегментации
- Деконволюция
- Операция unpooling
- Достижения и следствия из сегментации
- Тренировка сегментирующей нейронной сети
- Выводы
05Автокодировщики
- Сделать из конфетки… конфетку
- Зачем они нужны?
- Выводы
06Метрические задачи (metric learning)
- Постановка задачи
- Как превращать фото в вектора?
- Тренировка embedding-а
- Выводы
07Обработка текстов
- Был текст, получились числа
- Контекст слова и работа с ним
- Технологии типа word2vec
- Negative sampling
- Что дальше?
- Выводы
08Генеративно-состязательные сети (GAN)
- Введение
- Выводы
09Обработка последовательностей
- Общая идея
- Генерация текста и его тональность
- LSTM-ячейки
- Выводы
- Опрос слушателей курса
Stepik
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Специальные архитектуры нейронных сетей (введение в CNN,RNN,NLP)» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Информация обновлена 3 сентября 2026 г.

Stepik 



















