Курс на Stepik
Обложка курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» на Stepik
3 000 ₽

Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch ★ 4.974

Открыть на
STEPIK.ORG

Нейронные сети - самое популярное, трендовое направление в области искусственного интеллекта. Они уже стали частью нашей повседневной жизни, от распознавания образов и управления транспортом до генерации текстов, музыки, изображений, создания deep fake'ов. Этот курс позволит заглянуть вам "за кулисы" мира нейросетей и понять основные, базовые принципы их работы.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Учеников на курсе 3 675
Сертификаты, выданные на курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Сертификатов выдано 248
Отзывы о курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Отзывов получено 39
Рейтинг курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Рейтинг курса 4.974
Уроки в курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Количество уроков 60
Тесты в курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Количество квизов 324
Задачи с кодом в курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Количество задач с кодом 205
Время прохождения курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Время прохождения курса —
Стоимость курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Стоимость курса 3 000 ₽ —
Обновления курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Обновления курса — —
Дата публикации курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Дата публикации курса — ———
Последнее обновление курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» 6 разделов Уроки в курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» 60 уроков Тесты в курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» 324 теста Задачи в курсе «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» 205 задач Время прохождения курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» 68 ч. Последнее обновление курса «Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» обн. 3 октября 2026

Введение в нейросети. Тензоры PyTorch

11 уроков
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

16 уроков
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

12 уроков
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

9 уроков
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

5 уроков
1. Введение в автоэнкодеры ↗
2. Вариационные автоэнкодеры (VAE) ↗
3. Реализация вариационного автоэнкодера (VAE) ↗
4. Генеративно-состязательные сети (GAN) ↗
5. Реализация GAN на PyTorch ↗

Трансформеры и механизм внимания (attention)

7 уроков
1. Идея механизма attention (внимания) в RNN ↗
2. Идея Self-Attention в RNN ↗
3. Трансформеры. QKV Self-Attention ↗
4. Трансформеры. Слой Multi-head Attention ↗
5. Трансформеры. Слои Add и LayerNorm ↗
6. Трансформеры. Позиционное кодирование (positional encoding) ↗
7. Трансформеры. Декодер ↗