0Корзина Закладки0

Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch

Сергей Балакирев

Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch
Облако Mail
179,00 ₽

Пришлите ссылку — проверим предложение и ответим на почту.

Артикул: 13933
Подробности о материале
Артикул: 13933 В наличии Автор курса: Сергей Балакирев Категория: Бизнес, менеджмент, продажи / Программирование / Нейросети / Data Science и аналитика Дата выхода: 2026 Продажник от автора: Перейти
Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch (2026)

Слив курса Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch [Stepik] [Сергей Балакирев]

Нейронные сети не нуждаются в представлении. О них слышал практически каждый. Но далеко не каждый понимает и даже отдаленно представляет принцип их работы.
Это рождает много домыслов и небылиц о зарождении искусственного самосознания, захвата мира бездушными машинами, о проникновении в творческие профессии и полного вытеснения из них человека.
Чтобы лучше разбираться в этих и других подобных вопросах, как всегда, необходимы базовые, фундаментальные знания в области нейронных сетей.
И этот курс предоставляет их вам, с минимальными математическими обоснованиями, необходимыми для понимания сути приводимых алгоритмов.
Я думаю, этот курс будет полезно пройти даже тем, кто не собирается проектировать, обучать и внедрять нейросетевые технологии в повседневную жизнь.
Ценность этого курса уже в том, чтобы устранять многие мифы и небылицы вокруг этого относительно нового направления и тем самым поддерживать
развитие искусственного интеллекта в нашей стране. Тем более, что лидеры в нем сейчас Китай и США.

Практической основой курса выбран фреймворк PyTorch, с помощью которого выполняется построение и обучение нейронных сетей.
Почему именно PyTorch? В действительности, единственный конкурент ему другой аналогичный фреймворк Keras/Tensorflow.
Однако PyTorch имеет более удобный функционал проектирования сетей самой разной архитектуры.
В то время как Keras/Tensorflow больше зарекомендовал себя в коммерческих приложениях (в продакшене) благодаря несколько более высокой скорости обучения НС.
Но различия по скорости работы между этими двумя фреймворками не так существенны, а иногда и вовсе незаметны, чтобы отказываться от удобства PyTorch в пользу Keras/Tensorflow.
К тому же, изучив PyTorch, вы легко сможете перейти на Keras/Tensorflow, если в этом возникнет необходимость.

Программа курса:
Введение в нейросети. Тензоры PyTorch

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

Перед покупкой на Sklads

Проверьте выбранную версию «Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch» и состав материала. Автор: Сергей Балакирев. Описание и скриншоты помогут понять, подходит ли курс для вашей задачи.

Вопросы о содержимом можно уточнить у поддержки. Покупки и доступные заявки на обновление находятся в личном кабинете.

Сравнение вариантов материала «Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch»

В каталоге SKLADS.NET этот материал находится в рубрике «Бизнес, менеджмент, продажи / Программирование / Нейросети / Data Science и аналитика». При выборе ориентируйтесь на состав программы и конкретный тариф, а не только на название. В карточке указан автор: Сергей Балакирев. Период или дата выпуска: 2026.

Сведения о другой версии здесь не заданы. Для сравнения с похожим предложением проверьте программу, тариф и условия доступа.

В характеристиках выбран доступ через Облако Mail. Уточните формат нужных файлов, если для вас важен определённый способ просмотра.

Стоимость выбранной версии на Sklads смотрите в блоке покупки.

Есть вопрос о курсе?

Поможем разобраться с версией и составом материала

Написать в поддержку
Помощь и отзывы

💬 Помощь перед покупкой

Хотите проверить материал?
Отправим дополнительные скриншоты, пример видео или запись содержимого курса.

💰 Нашли дешевле?
Пришлите ссылку на предложение — постараемся сделать цену ещё выгоднее.

⭐ Отзывы покупателей
Читать отзывы на сайте
Читать отзывы в Telegram

💬 Связаться с поддержкой
Написать в Telegram
admin@sklads.net

ПОКУПКА И ДОСТУП

Вопросы и ответы

Как выбрать материал и получить доступ после оплаты

Как купить курс на Sklads?

Добавьте материал в корзину или нажмите «Купить». Укажите действующий e-mail и выберите доступный способ оплаты. После подтверждения платежа на эту почту придёт информация о заказе и доступе.

В одном заказе можно купить несколько материалов.

Что входит в курс и есть ли обратная связь?

Состав, версия и формат доступа указаны в карточке. Обычно это запись курса и сопутствующие файлы для самостоятельного обучения. Обратная связь автора не входит, если в описании не указано иное.

Если хотите уточнить содержимое до покупки, напишите в поддержку.

Где смотреть материалы и можно ли их скачать?

В этой карточке указан формат доступа: Облако Mail.

Ссылка или инструкция придёт после оплаты. Возможность просмотра онлайн и скачивания зависит от хранилища и формата файлов. Рекомендуем сохранить доступные материалы себе.

Оплата прошла, а письмо не пришло. Что делать?

Проверьте папки «Спам» и «Промоакции», а также адрес, указанный при покупке. Для авторизованного аккаунта проверьте раздел «Мои заказы».

Если доступа нет, отправьте в поддержку номер заказа, e-mail и подтверждение платежа — поможем найти покупку.

Как использовать бонусы?

Бонусы доступны в аккаунте. Размер начисления за этот курс указан рядом с покупкой. При оформлении заказа можно применить доступный бонусный баланс: 1 бонус соответствует 1 рублю.

Итоговую сумму и списание проверьте в корзине перед оплатой.

Как получить цену ниже?

Нажмите «Нашли дешевле?» рядом с ценой курса, пришлите ссылку, цену и e-mail. Мы сравним предложения и сообщим решение на почту. Если заявку одобрят, в письме будет персональная цена и срок её действия.

При покупке по персональной цене используйте почту из заявки.

Что делать, если ссылка на материал перестала работать?

Откройте покупку в разделе «Мои заказы». Если для неё доступен запрос обновления, отправьте его. Либо свяжитесь с поддержкой, указав номер заказа и название курса.

Где посмотреть условия возврата?

Условия описаны на странице «Условия возврата». Если возникла проблема с оплаченной покупкой, напишите в поддержку с номером заказа и описанием ситуации.

Главная » Бизнес, менеджмент, продажи » Stepik / Сергей Балакирев - Добрый, добрый ИИ. Часть 2. Нейронные сети на PyTorch