Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch
Артикул: 13933 В наличии
Автор курса: Сергей Балакирев
Просмотров: 7
Количество продаж: Купили: 1 шт. Последний раз купили 13 часов назад
Категория: Программирование
Дата выхода: 2026
Продажник от автора: Перейти на продажник
Вид доступа: Облако Mail
Наша цена: 179 RUB (Лучшая цена! Нашли дешевле? Напишите нам, снизим цену)
🤔 Есть сомнения в инфопродукте? В качестве гарантии можем отправить дополнительные скриншоты, любой видео файл или сделать запись с экрана содержимого на облаке.
✍🏻 По всем вопросам, в том числе с оплатой и получением - писать в Telegram (кликабельно), в чат на сайте (в нижнем правом углу) или на почту admin@many-courses.net Мы всегда на связи!
- Цена в разы ниже чем у автора
- Автовыдача. Моментальная доставка на эл. почту
- Лучшая цена на рынке. Сделаем цену ниже если нашли дешевле
- Можно смотреть онлайн или скачать себе
- 100℅ гарантия получения курса
- Доступ на данный товар предоставлятся на Облако Mail
- Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch (2026)
- 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
- 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
- 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
- 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
- Введение в автоэнкодеры
- Вариационные автоэнкодеры (VAE)
- Реализация вариационного автоэнкодера (VAE)
- Генеративно-состязательные сети (GAN)
- Реализация GAN на PyTorch
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
Вы находитесь на странице товара «Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch», это материал 2026 года, который, мы надеемся, принесет вам пользу. Данный курс расположен на платформе «Облако Mail». В нашем магазине курсы доступны по самым выгодным ценам. Вы можете перейти на оригинальный продажник, после чего принять решение о покупке. Вы получаете этот курс, купив в нашем магазине MANY-COURSES.NET, с огромной скидкой, всего 179 рублей. Обучающий курс входит в рубрику «Программирование», вы можете поискать другие сливы курсов в этой рубрике. В нашем магазине Вы найдёте ещё много курсов от автора «Сергей Балакирев», достаточно ввести в поиск имя автора.
- Добавьте товар "Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch" в корзину или нажмите "Купить", чтобы быстро перейти к странице оформления заказа. (В корзину можно добавить сразу несколько курсов)
- Выберите платежную систему с которой вам будет удобней оплатить и нажмите на кнопку «Перейти к оплате»
- После оплаты на указанную почту вы получите ссылки на материалы. Если в момент покупки вы были уже авторизованы на сайте, ссылки будут выведены на странице данного товара.
-
Каждый из инфопродуктов который представлен в нашем магазине приобретался в складчину, соответственно и цена намного ниже чем у автора. Для вас доступна полная запись инфопродукта со всеми раздаточными материалами для самостоятельного прохождения, но без обратной связи от автора.