Открыто

Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch [Stepik] [Сергей Балакирев]

Тема в разделе "Курсы по программированию", создана пользователем Топикстартер, 13 фев 2026.

Цена: 3000р.-90%
Взнос: 300р.

Основной список: 13 участников

  1. 13 фев 2026
    #1
    Топикстартер
    Топикстартер ЧКЧлен клуба

    Складчина: Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch [Stepik] [Сергей Балакирев]

    screen.jpg

    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
    Автор: Сергей Балакирев

    Цена: 3000 руб.
    Скрытая ссылка
     
    Последнее редактирование модератором: 14 фев 2026
    2 пользователям это понравилось.
  2. Последние события

    1. Hippo
      Hippo участвует.
      23 фев 2026
    2. dlmka1
      dlmka1 участвует.
      19 фев 2026
    3. aris3
      aris3 участвует.
      18 фев 2026
    4. legven
      legven участвует.
      18 фев 2026

    Последние важные события

    1. skladchik.com
      Назначен организатор.
      13 фев 2026
  3. Обсуждение
  4. 14 фев 2026
    #2
    ivan14
    ivan14 ЧКЧлен клуба
    А где часть 1?
     
  5. 15 фев 2026
    #3
    CaBa_7
    CaBa_7 ЧКЧлен клуба
    Она на Степике бесплатно представлена
     
    1 человеку нравится это.