Сколько стоит курс «Нейронные сети с нуля (разработка на PyTorch)»?

Стоимость курса составляет 7990.00 рублей

Сколько времени занимает прохождение курса «Нейронные сети с нуля (разработка на PyTorch)»?

Прохождение курса «Нейронные сети с нуля (разработка на PyTorch)» занимает примерно 6 часов.

Какой рейтинг у курса «Нейронные сети с нуля (разработка на PyTorch)»?

Курс имеет рейтинг 0.0 из 5 на основе 0 отзывов. На курсе обучается 2 учеников.

Где можно пройти курс «Нейронные сети с нуля (разработка на PyTorch)»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/263902.

Курс на Stepik

Обложка курса «Нейронные сети с нуля (разработка на PyTorch)» на Stepik

7 990 ₽

Нейронные сети с нуля (разработка на PyTorch) ★ 0.000

Name: Нейронные сети с нуля (разработка на PyTorch)
Price: 7990.00 RUB
Availability: InStock
Rating: 0 (0 reviews)

Открыть на
STEPIK.ORG

Курс максимально ориентирован на получение практических навыков работы с библиотекой 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	2
Сертификатов выдано	0
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	75
Количество квизов	220
Количество задач с кодом	15
Время прохождения курса	6 ч.	—
Стоимость курса	7 990 ₽	—
Обновления курса	—	—
Дата публикации курса	9 месяцев назад	—	—	—	—
Последнее обновление	5 августа 2026	—	—	—	—
Сложность	easy	—	—	—	—

Содержание курса

Разделы в курсе «Нейронные сети с нуля (разработка на PyTorch)»

15 разделов Уроки в курсе «Нейронные сети с нуля (разработка на PyTorch)»

75 уроков Тесты в курсе «Нейронные сети с нуля (разработка на PyTorch)»

220 тестов Задачи в курсе «Нейронные сети с нуля (разработка на PyTorch)»

15 задач Время прохождения курса «Нейронные сети с нуля (разработка на PyTorch)»

6 ч.

обн. 5 августа 2026

Введение в основы нейронных сетей

8 уроков

1. Применение искусственных нейронных сетей ↗

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 основных моментов языка Python ↗

Общие сведения о важнейших понятиях процесса обучения моделей

7 уроков

1. Функции активации, применяемые в современных нейронных сетях ↗

2. Методы оптимизации обучения нейронных сетей ↗

3. Функции потерь, используемые при обучении нейронных сетей ↗

4. Условия для использования нейронных сетей ↗

5. Повторение основ библиотеки NumPy ↗

6. Простая модель нейронной сети на Python ↗

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

Понятие тензора и основные операции с этим объектом

7 уроков

1. Тензор, как основной объект выполнения вычислений нейросетями ↗

2. Операции по созданию тензоров в PyTorch ↗

3. Атрибуты тензоров ↗

4. Другие способы создания тензоров. Изменение формы тензоров ↗

5. Математические и агрегирующие операции с тензорами ↗

6. Функция argmax. Операции с осями тензоров ↗

7. Матричное умножение тензоров в PyTorch ↗

Простые нейронные сети для задач регрессии в PyTorch

6 уроков

1. Недообучение и переобучение моделей нейронных сетей ↗

2. Метрики задач регрессии. Гиперпараметры нейронных сетей ↗

3. Алгоритм решения задач с помощью PyTorch ↗

4. Задача простой линейной регрессии в PyTorch ↗

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

6. Сохранение и загрузка обученных моделей в PyTorch ↗

Нелинейные функции активации для нейронных сетей в PyTorch

3 урока

1. Прогнозирование курсов акций Google нейронной сетью ↗

2. Прогнозирование продолжительности жизни нейронной сетью ↗

3. Заключительный раздел по решению задач регрессии ↗

Бинарная классификация с исходными данными в табличной форме

5 уроков

1. Гиперпараметры нейронных сетей для классификации ↗

2. Метрики, используемые при решении задач классификации ↗

3. Классификация электронных писем нейронной сетью ↗

4. Решение задачи прогнозирования оттока клиентов банка ↗

5. Особенности этапа постановки исследовательских задач ↗

Многоклассовая классификация с исходными данными в форме таблицы

4 урока

1. Классификация астрономических объектов нейронной сетью ↗

2. Использование класса Flatten в нейронных сетях ↗

3. Классическая задача классификации рукописных цифр на PyTorch ↗

4. Обзор инструментов, относящихся к семейству PyTorch ↗

Задачи компьютерного зрения на PyTorch

5 уроков

1. Особенности задач компьютерного зрения ↗

2. Основы свёрточных нейронных сетей ↗

3. Использование классов Conv2d и MaxPool2d ↗

4. Создание и обучение свёрточной сети на PyTorch ↗

5. Задача многоклассовой классификации цветных изображений ↗

Использование предобученных свёрточных нейронных сетей

4 урока

1. Что такое предобученные нейронные сети ↗

2. Некоторые идеи, применяемые в современных нейронных сетях ↗

3. Распознавание игральных карт предобученной сетью ↗

4. Классификация шарообразных предметов предобученной сетью ↗

Задачи обработки естественного языка на PyTorch

6 уроков

1. Особенности работы с входными данными в форме текста ↗

2. Основы рекуррентных нейронных сетей ↗

3. Рекуррентные блоки LSTM и GRU ↗

4. Особенности одномерных свёрточных сетей ↗

5. Создание и обучение спам-фильтра на основе сети с блоком LSTM ↗

6. Создание и обучение сети с блоком GRU для классификации текстов ↗

Знакомство с трансформерами на PyTorch

3 урока

1. Трансформеры. Механизм внимания ↗

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

3. Использование трансформера BERT для классификации текстов ↗

Нейронные сети для задач с исходными данными в звуковой форме

4 урока

1. Особенности входных сигналов в звуковой форме ↗

2. Основные параметры аудиосигналов ↗

3. Распознавание произнесённых названий цифр ↗

4. Выявление эмоций по речи человека с помощью нейронной сети ↗

Разработка генеративно-состязательных сетей на PyTorch

3 урока

1. Особенности архитектуры генеративно-состязательных сетей ↗

2. Простая генеративно-состязательная модель на PyTorch ↗

3. Глубокая свёрточная генеративно-состязательная сеть ↗

Итоговое задание и заключительный раздел курса

4 урока

1. Первая часть итогового теста ↗

2. Вторая часть итогового теста ↗

3. Практическое задание ↗

4. Заключительный раздел курса ↗