Stepik О курсе
Подробнее
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.
Несмотря на то, что этот курс является логическим продолжение курса по машинному обучению:
https://stepik.org/course/209247/
его, тем не менее, можно проходить независимо от первого и обращаться к предыдущему лишь по некоторым темам, если они вам неизвестны. Также желательно хорошо знать пакет NumPy для работы с векторами и матрицами:
NumPy: YouTube | RuTube
Ну и, конечно же, сам язык Python, который является основой для разработки самых разных алгоритмов машинного обучения, включая нейронные сети:
https://stepik.org/course/100707/
Желаю всем успешного изучения этого интересного, захватывающего и трендового направления!
Телеграм-канал: https://t.me/selfedu_sb
Телеграм-чат: https://t.me/machine_learning_selfedu
Требования
Что нужно для старта
- Уверенные знания школьной математики, линейной алгебры, дифференцирование матриц и векторов, теории вероятностей и математической статистики (основы).
- Знание языка программирования Python: https://stepik.org/course/100707/
- Базовые знания первой части курса по ML: https://stepik.org/course/209247/
Результат
Что вы получите
- Изучите работу полносвязных нейронных сетей.
- Познакомитесь с фреймворком PyTorch для проектирования и обучения нейросетевых моделей.
- Увидите, каким образом происходит обучение нейронных сетей с помощью алгоритма Back Propagation.
- Научитесь работать с набором обучающих данных, представленных в разных форматах.
- Рассмотрите важные аспекты, связанные с переобучением моделей и способами борьбы с ним: L2-регуляризация, Dropout, Batch Normalization.
- Узнаете, как работают сверточные нейронные сети.
- Познакомитесь с известными архитектурами сверточных сетей: VGG, ResNet, U-Net.
- Изучите принцип работы рекуррентных нейронных сетей.
- Узнаете о LSTM и GRU блоках.
- Изучите и научитесь применять Embedding при прогнозировании слов в предложениях.
- Получите представление о принципах работы автоэнкодеров и генеративных сетей.
- Познакомитесь с механизмом внимания и архитектурой трансформер.
Аудитория
Для кого этот курс
- Для всех желающих окунуться в мир нейронных сетей.
Содержание
6 занятийПрограмма курса
№ТемаЧто внутри
01Введение 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
02Создание и обучение моделей полносвязных нейронных сетей
- 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
03Сверточные нейронные сети
- 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
04Рекуррентные нейронные сети
- 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
05Автоэнкодеры. Генеративные сети
- Введение в автоэнкодеры
- Вариационные автоэнкодеры (VAE)
- Реализация вариационного автоэнкодера (VAE)
- Генеративно-состязательные сети (GAN)
- Реализация GAN на PyTorch
06Трансформеры и механизм внимания (attention)
- Идея механизма attention (внимания) в RNN
- Идея Self-Attention в RNN
- Трансформеры. QKV Self-Attention
- Трансформеры. Слой Multi-head Attention
- Трансформеры. Слои Add и LayerNorm
- Трансформеры. Позиционное кодирование (positional encoding)
- Трансформеры. Декодер
01Введение 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
02Создание и обучение моделей полносвязных нейронных сетей
- 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
03Сверточные нейронные сети
- 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
04Рекуррентные нейронные сети
- 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
05Автоэнкодеры. Генеративные сети
- Введение в автоэнкодеры
- Вариационные автоэнкодеры (VAE)
- Реализация вариационного автоэнкодера (VAE)
- Генеративно-состязательные сети (GAN)
- Реализация GAN на PyTorch
06Трансформеры и механизм внимания (attention)
- Идея механизма attention (внимания) в RNN
- Идея Self-Attention в RNN
- Трансформеры. QKV Self-Attention
- Трансформеры. Слой Multi-head Attention
- Трансформеры. Слои Add и LayerNorm
- Трансформеры. Позиционное кодирование (positional encoding)
- Трансформеры. Декодер
Организатор
Автор курса
Мнения учеников
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 «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Нейросети и ИИ
Информация обновлена 3 сентября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
