Курс на Stepik
Обложка курса «Введение в нейронные сети на практике с PyTorch» на Stepik
4 500 ₽

Введение в нейронные сети на практике с PyTorch ★ 4.833

Открыть на
STEPIK.ORG

Освойте нейросети на PyTorch с нуля! В этом курсе вы быстро разберётесь в ИИ — от базовых перцептронов до трендовых моделей, с наглядными анимациями и практикой. Создайте уникальные нейросети: распознавайте цифры с Feed-forward, классифицируйте изображения с CNN, генерируйте тексты с RNN, генерируйте изображения с DCGAN. Максимум практики — минимум сложностей!

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Введение в нейронные сети на практике с PyTorch»Учеников на курсе 133
Сертификаты, выданные на курсе «Введение в нейронные сети на практике с PyTorch»Сертификатов выдано 37
Отзывы о курсе «Введение в нейронные сети на практике с PyTorch»Отзывов получено 6
Рейтинг курса «Введение в нейронные сети на практике с PyTorch»Рейтинг курса 4.833
Уроки в курсе «Введение в нейронные сети на практике с PyTorch»Количество уроков 33
Тесты в курсе «Введение в нейронные сети на практике с PyTorch»Количество квизов 17
Время прохождения курса «Введение в нейронные сети на практике с PyTorch»Время прохождения курса —
Стоимость курса «Введение в нейронные сети на практике с PyTorch»Стоимость курса 4 500 ₽ —
Обновления курса «Введение в нейронные сети на практике с PyTorch»Обновления курса — —
Дата публикации курса «Введение в нейронные сети на практике с PyTorch»Дата публикации курса — ———
Последнее обновление курса «Введение в нейронные сети на практике с PyTorch»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Введение в нейронные сети на практике с PyTorch» 6 разделов Уроки в курсе «Введение в нейронные сети на практике с PyTorch» 33 урока Тесты в курсе «Введение в нейронные сети на практике с PyTorch» 17 тестов Время прохождения курса «Введение в нейронные сети на практике с PyTorch» 7 ч. Последнее обновление курса «Введение в нейронные сети на практике с PyTorch» обн. 7 марта 2026

1. Введение

4 урока
Открытый
1.1 О чем этот курс? ↗
190
190
3м 15с
12
Закрытый
1.2 Доступ в группу с преподавателем ↗
68
68
0м 4с
3
Закрытый
1.3 Что такое нейроны? ↗
72
63
6м 4с
7
Закрытый
1.4 Проекты с этого курса ↗
72
69
1м 35с
4

2. Введение в машинное обучение и PyTorch

5 уроков
Открытый
2.1 Введение в машинное обучение и нейронные сети:основные концепции ↗
198
198
12м 48с
6
Закрытый
2.2 Что такое нейрон? ↗
77
53
11м 28с
4
Закрытый
2.3 Функции потерь ↗
67
67
7м 1с
3
Закрытый
2.4 Backpropagation. Как обучать нейронную модель ↗
64
46
25м 35с
4
Закрытый
2.5 Дополнительно.Умножение матриц ↗
58
58
4м 0с
3

3. Многослойный перцептрон (MLP)

6 уроков
Открытый
3.1 Введение в многослойный перцептрон (MLP) и его применение ↗
141
87
14м 38с
2
Закрытый
3.2 Архитектура MLP: слои, тензоры, градиенты, SGD ↗
56
45
15м 47с
4
Закрытый
3.3 Реализация MLP для распознавания рукописных цифр ↗
56
44
11м 27с
1
Закрытый
3.4 Тренировка первой MLP модели на MNIST ↗
59
43
22м 8с
2
Закрытый
3.5 Тренировка и настройка гиперпараметров MLP ↗
54
43
26м 56с
1
Закрытый
3.6 Пишем inference ↗
49
12
15м 28с
4

4. Convolutional Neural Network (CNN)

7 уроков
Открытый
4.1 Введение. Зачем нужен CNN? ↗
124
41
5м 2с
4
Закрытый
4.2 Фильтры в CNN ↗
40
32
6м 54с
4
Закрытый
4.3 Пишем CNN с нуля ↗
42
36
11м 9с
4
Закрытый
4.4 Тренируем на датасете Food101 ↗
42
42
10м 36с
3
Закрытый
4.5 Создание и описание архитектуры CNN в PyTorch ↗
42
31
23м 29с
4
Закрытый
4.6 Адаптивный Learning Rate и тренировка нейросети в PyTorch ↗
40
28
28м 35с
3
Закрытый
4.7 Финальный урок: Инференс модели CNN ↗
37
29
12м 12с
3

5. Recurrent neural network (RNN)

7 уроков
Закрытый
5.1 Рекуррентные нейронные сети: Архитектура и возможности ↗
35
35
9м 32с
3
Закрытый
5.2 Архитектуры RNN: Many-to-Many и генерация текста Достоевского ↗
30
30
8м 35с
1
Закрытый
5.3 Первые шаги с RNN: Пишем модель на PyTorch ↗
33
33
7м 8с
3
Закрытый
5.4 Пишем CharRNN ↗
30
22
23м 43с
4
Закрытый
5.5 Загружаем создаем кастомный Датасет ↗
25
12
31м 44с
1
Закрытый
5.6 Пишем тренировочный цикл ↗
25
18
21м 38с
1
Закрытый
5.7 Инференс RNN ↗
27
14
21м 22с
2

6. DCGAN генерируем изоображения

4 урока
Закрытый
6.1 Что такое GAN? ↗
18
18
8м 0с
0
Закрытый
6.2 DCGAN +Transposed CNN ↗
14
12
13м 28с
0
Закрытый
6.3 Discriminator и Generator ↗
12
12
8м 10с
0
Закрытый
6.4 DCGAN Architecture ↗
12
7
5м 1с
0