Главная страницаКатегория другое (ии)Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch

Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch

Name: Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch
Price: 13 USD
Rating: 5 (1 reviews)

Сергей Балакирев

★5 (всего оценок - 1)

Продолжительность

14 ч 4 мин

Категория

Другое (ИИ)

Количество уроков

93 Видео

Дата добавления

27 мар. 2026 г., 16:37

Язык

Русский

Нейронные сети — самое популярное направление искусственного интеллекта, уже вошедшее в нашу повседневную жизнь. Они используются в распознавании образов, управлении транспортом, генерации текстов и изображений и даже в создании deep fake'ов. Этот курс предлагает вам заглянуть "за кулисы" мира нейросетей и понять основные принципы их работы.

Чему вы научитесь

Изучите работу полносвязных нейронных сетей.
Познакомитесь с фреймворком PyTorch для проектирования и обучения нейросетевых моделей.
Узнаете, как происходит обучение нейронных сетей с помощью алгоритма Back Propagation.
Научитесь работать с обучающими данными в различных форматах.
Рассмотрите аспекты переобучения моделей и методы 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.
Научитесь использовать Embedding для прогнозирования слов в предложениях.
Познакомитесь с принципами работы автоэнкодеров и генеративных сетей.

Нейронные сети широко известны, но мало кто понимает их принципы работы. Это ведет к множеству мифов о появлении искусственного самосознания и вытеснении человека из творческих профессий. Для понимания таких вопросов необходимы фундаментальные знания, которые этот курс и предоставляет с минимальными математическими обоснованиями, нужными для понимания работы алгоритмов.

Этот курс принесет пользу даже тем, кто не собирается использовать нейросетевые технологии в повседневной жизни. Он способствует устранению мифов вокруг этого направления и поддерживает развитие ИИ в нашей стране, конкурируя с лидерами — Китаем и США.

Практическая основа курса — фреймворк PyTorch. Он предоставляет удобный функционал для проектирования нейронных сетей любой архитектуры. Хотя Keras/Tensorflow также популярен и используется в продакшене благодаря высокой скорости обучения, различия в скорости между этими фреймворками незначительны. Изучение PyTorch позволит вам легко перейти на Keras/Tensorflow, если возникнет необходимость.

Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум

Урок 1. 00:11:14
1.1 Начало
Урок 2. 00:11:18
1.2 Структура и принцип работы полносвязных нейронных сетей
Урок 3. 00:05:47
1.3 Установка PyTorch совместно с CUDA
Урок 4. 00:12:47
1.4 Создание тензоров. Конвертирование в NumPy
Урок 5. 00:17:46
1.5 Тензоры. Автозаполнение, изменение формы
Урок 6. 00:14:16
1.6 Тензоры. Индексирование и срезы
Урок 7. 00:09:43
1.7 Тензоры. Базовые математические операции
Урок 8. 00:11:20
1.8 Тензоры. Тригонометрические и статистические функции
Урок 9. 00:12:03
1.9 Тензоры. Векторно-матричные операции
Урок 10. 00:12:55
1.10 Использование CPU и GPU на примере простой НС
Урок 11. 00:17:55
1.11 Персептрон - возможности классификации образов
Урок 12. 00:12:07
2.1.1 Идея обучения НС градиентным алгоритмом
Урок 13. 00:06:33
2.1.2 Идея обучения НС градиентным алгоритмом
Урок 14. 00:14:00
2.2 Алгоритм back propagation
Урок 15. 00:10:28
2.3.1 Функции активации и потерь в PyTorch
Урок 16. 00:03:11
2.3.2 Функции активации и потерь в PyTorch
Урок 17. 00:05:56
2.3.3 Функции активации и потерь в PyTorch
Урок 18. 00:13:15
2.4.1 Автоматическое дифференцирование
Урок 19. 00:02:41
2.4.2 Автоматическое дифференцирование
Урок 20. 00:02:56
2.4.3 Автоматическое дифференцирование
Урок 21. 00:03:06
2.4.4 Автоматическое дифференцирование
Урок 22. 00:12:21
2.5 Оптимизаторы. Реализация SGD на PyTorch
Урок 23. 00:12:21
2.5.1 Оптимизаторы. Реализация SGD на PyTorch
Урок 24. 00:01:59
2.5.2 Оптимизаторы. Реализация SGD на PyTorch
Урок 25. 00:02:26
2.5.3 Оптимизаторы. Реализация SGD на PyTorch
Урок 26. 00:05:16
2.5.4 Оптимизаторы. Реализация SGD на PyTorch
Урок 27. 00:05:55
2.5.5 Оптимизаторы. Реализация SGD на PyTorch
Урок 28. 00:04:41
2.5.6 Оптимизаторы. Реализация SGD на PyTorch
Урок 29. 00:18:43
2.6.1 Классы nn.Linear и nn.Module
Урок 30. 00:03:05
2.6.2 Классы nn.Linear и nn.Module
Урок 31. 00:03:37
2.6.3 Классы nn.Linear и nn.Module
Урок 32. 00:03:22
2.6.4 Классы nn.Linear и nn.Module
Урок 33. 00:03:35
2.6.5 Классы nn.Linear и nn.Module
Урок 34. 00:06:41
2.7 Форматы выборок. Сбалансированность и репрезентативность
Урок 35. 00:09:09
2.8.1 Классы Dataset и Dataloader
Урок 36. 00:03:59
2.8.2 Классы Dataset и Dataloader
Урок 37. 00:04:48
2.8.3 Классы Dataset и Dataloader
Урок 38. 00:21:09
2.9.1 Применение классов Dataset и Dataloader
Урок 39. 00:04:55
2.9.2 Применение классов Dataset и Dataloader
Урок 40. 00:05:03
2.9.3 Применение классов Dataset и Dataloader
Урок 41. 00:04:48
2.9.4 Применение классов Dataset и Dataloader
Урок 42. 00:04:38
2.9.5 Применение классов Dataset и Dataloader
Урок 43. 00:04:11
2.9.6 Применение классов Dataset и Dataloader
Урок 44. 00:11:56
2.10.1 Классификация изображений цифр БД MNIST
Урок 45. 00:06:33
2.10.2 Классификация изображений цифр БД MNIST
Урок 46. 00:06:39
2.10.3 Классификация изображений цифр БД MNIST
Урок 47. 00:05:13
2.10.4 Классификация изображений цифр БД MNIST
Урок 48. 00:16:10
2.11.1 Трансформации transform. Класс ImageFolder
Урок 49. 00:01:32
2.11.2 Трансформации transform. Класс ImageFolder
Урок 50. 00:02:29
2.11.3 Трансформации transform. Класс ImageFolder
Урок 51. 00:02:02
2.11.4 Трансформации transform. Класс ImageFolder
Урок 52. 00:06:05
2.11.5 Трансформации transform. Класс ImageFolder
Урок 53. 00:02:56
2.11.6 Трансформации transform. Класс ImageFolder
Урок 54. 00:12:09
2.12.1 Сохранение и загрузка моделей нейронных сетей
Урок 55. 00:02:10
2.12.2 Сохранение и загрузка моделей нейронных сетей
Урок 56. 00:02:02
2.12.3 Сохранение и загрузка моделей нейронных сетей
Урок 57. 00:03:05
2.12.4 Сохранение и загрузка моделей нейронных сетей
Урок 58. 00:03:00
2.12.5 Сохранение и загрузка моделей нейронных сетей
Урок 59. 00:02:14
2.12.6 Сохранение и загрузка моделей нейронных сетей
Урок 60. 00:12:17
2.13.1 Переобучение (overfitting). Критерии останова обучения
Урок 61. 00:02:46
2.13.2 Переобучение (overfitting). Критерии останова обучения
Урок 62. 00:03:23
2.13.3 Переобучение (overfitting). Критерии останова обучения
Урок 63. 00:05:16
2.13.4 Переобучение (overfitting). Критерии останова обучения
Урок 64. 00:04:08
2.13.5 Переобучение (overfitting). Критерии останова обучения
Урок 65. 00:16:03
2.14 L2-регуляризатор и Dropout
Урок 66. 00:08:07
2.15 Алгоритм Batch Normalization
Урок 67. 00:13:45
2.16 Классы Sequential, ModuleList и ModuleDict
Урок 68. 00:12:44
3.1 Введение в сверточные нейронные сети (CNN)
Урок 69. 00:08:34
3.2 Классы Conv2d и MaxPool2d
Урок 70. 00:15:20
3.3 Пример реализации сверточной нейронной сети
Урок 71. 00:16:57
3.4 Сверточные нейронные сети VGG-16 и VGG-19
Урок 72. 00:08:10
3.5 Теория стилизации изображений (Neural Style Transfer)
Урок 73. 00:15:06
3.6 Делаем стилизацию изображений на РyTorch
Урок 74. 00:13:22
3.7 Остаточные нейронные сети (residual networks - ResNet)
Урок 75. 00:15:08
3.8 Архитектуры ResNet-18 и ResNet-50
Урок 76. 00:09:25
3.9 Использование ResNet моделей. Их связь с Dropout и бустингом
Урок 77. 00:10:51
3.10 Transfer Learning (трансферное обучение)
Урок 78. 00:12:00
3.11 Архитектура сети U-Net. Семантическая сегментация изображений
Урок 79. 00:20:16
3.12 Реализация U-Net для семантической сегментации изображений
Урок 80. 00:13:05
4.1 Введение в рекуррентные нейронные сети
Урок 81. 00:14:08
4.2 Класс nn.RNN рекуррентного слоя
Урок 82. 00:10:01
4.3 Рекуррентная сеть для прогноза символов
Урок 83. 00:10:18
4.4 Понятие эмбеддинга. Embedding слов
Урок 84. 00:12:55
4.5 Прогноз слов рекуррентной нейронной сетью
Урок 85. 00:09:32
4.6 Функции активации в RNN. Двунаправленные RNN
Урок 86. 00:17:56
4.7 Двунаправленные RNN в РyTorch. Сентимент-анализ фраз
Урок 87. 00:13:00
4.8 LSTM - долгая краткосрочная память
Урок 88. 00:09:13
4.9 Рекуррентный блок GRU
Урок 89. 00:15:12
5.1 Введение в автоэнкодеры
Урок 90. 00:13:37
5.2 Вариационные автоэнкодеры (VAE)
Урок 91. 00:12:06
5.3 Реализация вариационного автоэнкодера (VAE)
Урок 92. 00:11:09
5.4 Генеративно-состязательные сети (GAN)
Урок 93. 00:14:01
5.5 Реализация GAN на PyTorch

Автор - Сергей Балакирев

Сергей Балакирев

Сергей Балакирев — кандидат технических наук, доцент и практикующий программист с многолетним опытом разработки и преподавания.С 2008 года занимается профессиональной разработкой программного обеспечения, а с 2011 года ведёт преподавательскую деятельность в вузе. Специализируется на обучении информатике, программированию, методам машинного обучения и системам искусственного интеллекта.Автор известных образовательных курсов по Python и объектно-ор

Комментарии