Сколько стоит курс «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch»?

Стоимость курса составляет 16990.00 рублей

Где можно пройти курс «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/258538.

Курс на Stepik

Обложка курса «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch» на Stepik

16 990 ₽

Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch ★ 0.000

Name: Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch
Price: 16990.00 RUB
Availability: InStock
Rating: 0 (0 reviews)

Открыть на
STEPIK.ORG

Курс максимально ориентирован на получение практических навыков работы с библиотеками Keras, TensorFlow и PyTorch. По окончании курса, слушатели смогут создавать, обучать, оценивать и улучшать качество работы нейронных сетей, принимающих на вход текстовые, табличные, графические и аудиоданные.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	0
Сертификатов выдано	0
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	119
Количество квизов	329
Количество задач с кодом	29
Время прохождения курса	12 ч.	—
Стоимость курса	16 990 ₽	—
Обновления курса	—	—
Дата публикации курса	11 месяцев назад	—	—	—	—
Последнее обновление	5 августа 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание курса

Разделы в курсе «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch»

29 разделов Уроки в курсе «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch»

119 уроков Тесты в курсе «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch»

329 тестов Задачи в курсе «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch»

29 задач Время прохождения курса «Нейронные сети с нуля. Разработка на Keras, TensorFlow и PyTorch»

12 ч.

обн. 5 августа 2026

Введение в основы нейронных сетей

8 уроков

1. Применение искусственных нейронных сетей в настоящее время ↗

2. Типы задач, решаемые нейронными сетями ↗

3. Теория нейронных сетей. Введение ↗

4. Задача исключающего «ИЛИ» ↗

5. Установка инструментов для работы ↗

6. Основы работы с Jupyter Notebook ↗

7. Использование Google Colaboratory (Google Colab) для работы ↗

8. Вопросы по основам Python ↗

Архитектуры и парадигмы обучения нейронных сетей

6 уроков

1. Решение линейно неразделимых задач ↗

2. Архитектуры нейронных сетей ↗

3. Вычислительный процесс одного нейрона ↗

4. Парадигмы обучения нейронных сетей ↗

5. Алгоритм решения задач при использовании нейронных сетей ↗

6. Повторение основ языка Python ↗

Общие сведения о важнейших понятиях процесса обучения моделей

7 уроков

1. Функции активации, используемые в нейронных сетях ↗

2. Методы оптимизации в нейронных сетях ↗

3. Выбор функции потерь при обучении нейронных сетей ↗

4. Условия для использования нейронных сетей ↗

5. Повторение важных структур библиотеки NumPy ↗

6. Простая модель нейронной сети на Python ↗

7. Установка TensorFlow и PyTorch (для работы с Jupyter Notebook) ↗

Понятие тензора и основные операции с этим объектом

5 уроков

1. Библиотека TensorFlow. Понятие тензора ↗

2. Работа с TensorFlow. Создание тензоров ↗

3. Взаимодействие TensorFlow и NumPy. Атрибуты тензоров ↗

4. Индексация тензоров ↗

5. Добавление новых осей в тензоры ↗

Различные функции для работы с тензорами

6 уроков

1. Базовые операции с тензорами ↗

2. Операции изменения типа тензора и операции агрегирования ↗

3. Операции линейной алгебры, выполняемые с тензорами ↗

4. Функция argmax ↗

5. Прочие полезные на практике операции с тензорами ↗

6. Алгоритм решения задач с помощью Keras, TensorFlow и PyTorch ↗

Решение задачи регрессии с использованием нейронной сети

6 уроков

1. Нейронная сеть с использованием Keras для задачи регрессии ↗

2. Недообучение и переобучение моделей нейронных сетей ↗

3. Метрики для задач регрессии. Гиперпараметры нейронных сетей ↗

4. Решение задачи прогнозирования цены продажи дома ↗

5. Масштабирование исходных данных ↗

6. Улучшение качества прогнозирования цены продажи дома ↗

Решение задач бинарной классификации

5 уроков

1. Гиперпараметры нейронных сетей для задач классификации ↗

2. Метрики, используемые при решении задач классификации ↗

3. Решение задачи классификации людей на мужчин и женщин ↗

4. Решение задачи фильтрации фейковых (фальшивых) новостей ↗

5. Сохранение и загрузка модели нейронной сети ↗

Решение задач многоклассовой классификации

4 урока

1. Решение задачи определения действия человека ↗

2. Решение задачи определения специализации обучения студентов ↗

3. Решение задачи классификации черно-белых изображений ↗

4. Использование класса Flatten в моделях нейронных сетей ↗

Основы свёрточных нейронных сетей

4 урока

1. Особенности задач компьютерного зрения ↗

2. Свёрточные нейронные сети. Основы ↗

3. Использование классов Conv2D и MaxPooling2D ↗

4. Пример решения задачи классификации цветных изображений ↗

Использование свёрточных сетей для решения различных задач

3 урока

1. Задача бинарной классификации цветных фотографий ↗

2. Увеличение объема данных (data augmentation) ↗

3. Задача многоклассовой классификации явлений погоды ↗

Предобученные нейронные сети и их использование

3 урока

1. Что такое предобученные нейронные сети ↗

2. Использование предобученной модели для классификации животных ↗

3. Тонкая настройка модели для текущей задачи ↗

Современные идеи в области задач компьютерного зрения

3 урока

1. Метод функционального API при создании моделей ↗

2. Идеи, используемые в современных нейронных сетях ↗

3. Решение задачи классификации изображений на 30 классов ↗

Особенности решения задач с исходными данными в виде текста

3 урока

1. Особенности работы с текстовой информацией ↗

2. Классификация положительных и отрицательных отзывов к фильмам ↗

3. Решение задачи классификации текстовых описаний товаров ↗

Сети с блоками LSTM, GRU. Одномерные свёрточные сети

4 урока

1. Рекуррентные нейронные сети ↗

2. Блоки LSTM и GRU ↗

3. Одномерные свёрточные сети ↗

4. Решение задачи определения тональности текста ↗

Нейронные сети для задач с исходными данными в звуковой форме

4 урока

1. Особенности сигналов в звуковой форме ↗

2. Решение задачи классификации голосовых команд ↗

3. Параметры аудиосигналов, используемые при решении задач ↗

4. Решение задачи многоклассовой классификации звуковых файлов ↗

Автоэнкодеры как отдельный вид архитектуры нейронных сетей

5 уроков

1. Автоэнкодеры как особый вид нейронных сетей ↗

2. Пример задачи с простым (классическим) автоэнкодером ↗

3. Создание и обучение автоэнкодера, восстанавливающего изображения ↗

4. Автоэнкодер для решения задачи обнаружения аномалий ↗

5. Создание и обучение свёрточного вариационного автоэнкодера ↗

Задача сегментации изображений. Погружение в TensorFlow

3 урока

1. Бинарная классификация изображений с использованием TensorFlow ↗

2. Особенности задачи сегментации изображений ↗

3. Решение задачи сегментации фотографий домашних животных ↗

Генеративно-состязательные сети и их применение

4 урока

1. Что представляют собой генеративно-состязательные сети ↗

2. Создание и обучение простой генеративно-состязательной сети ↗

3. Создание и обучение модели для генерации рисунков цветов ↗

4. Создание и обучение условной генеративно-состязательной сети ↗

Знакомство с библиотекой PyTorch

6 уроков

1. Библиотека PyTorch. Операции по созданию тензоров ↗

2. Атрибуты тензоров в PyTorch ↗

3. Дополнительные способы создания тензоров и изменение их формы ↗

4. Математические и агрегирующие операции с тензорами ↗

5. Функция argmax. Операции с осями тензоров ↗

6. Матричное умножение тензоров в PyTorch ↗

Простые нейронные сети для задач регрессии в PyTorch

4 урока

1. Особенности создания и обучения нейронных сетей в PyTorch ↗

2. Решение задачи линейной регрессии в PyTorch ↗

3. Решение задачи регрессии с исходными данными в форме таблицы ↗

4. Сохранение и загрузка обученных моделей в PyTorch ↗

Нелинейные функции активации для нейронных сетей в PyTorch

3 урока

1. Решение задачи прогнозирования курса акций Google ↗

2. Решение задачи прогнозирования продолжительности жизни ↗

3. Заключительный раздел по решению задач регрессии ↗

Бинарная классификация с исходными данными в табличной форме

3 урока

1. Решение задачи классификации электронных писем ↗

2. Решение задачи прогнозирования оттока клиентов банка ↗

3. Особенности подготовительного этапа решения задач ↗

Многоклассовая классификация с исходными данными в форме таблицы

3 урока

1. Решение задачи классификации астрономических объектов ↗

2. Решение задачи классификации рукописных цифр ↗

3. Обзор инструментов, относящихся к семейству PyTorch ↗

Задачи компьютерного зрения на PyTorch

2 урока

1. Решение задачи классификации цветных изображений ↗

2. Решение задачи классификации игральных карт ↗

Создание и обучение рекуррентных сетей на PyTorch

2 урока

1. Создание и обучение рекуррентной сети с блоком LSTM ↗

2. Создание и обучение рекуррентной сети с блоком GRU ↗

Трансформеры в PyTorch

3 урока

1. Трансформеры. Механизм внимания ↗

2. Использование рекуррентной сети с блоком "точечного внимания" ↗

3. Использование BERT для классификации описаний видео на Youtube ↗

Создание и обучение нейронных сетей для работы со звуком

2 урока

1. Решение задачи распознавания произнесённых названий цифр ↗

2. Решение задачи выявления эмоций по речи человека ↗

Разработка генеративно-состязательных сетей на PyTorch

2 урока

1. Создание и обучение простой генеративно-состязательной модели ↗

2. Глубокая свёрточная генеративно-состязательная сеть на PyTorch ↗

Итоговое задание и заключительный раздел курса

6 уроков

1. Первая часть итогового теста ↗

2. Вторая часть итогового теста ↗

3. Третья часть итогового теста ↗

4. Четвертая часть итогового теста ↗

5. Практическое задание ↗

6. Заключительный раздел курса ↗