PyTorch для глубокого обучения
Оригинал: PyTorch for Deep Learning
Скачать курс по Глубокое обучение. PyTorch для глубокого обучения
Нужен архив курса целиком?
Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).
Пропущены номера уроков?
Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.
Превью: 1.1. Беседа между Лоренсом Морони и Эндрю Нг
Превью: 1.1. Беседа между Лоренсом Морони и Эндрю Нг
Это первый урок бесплатного курса "PyTorch для глубокого обучения". Зарегистрируйтесь для доступа ко всем 27 урокам курса.
Раздел
О курсе
- 🧩 Создание нейросетей с нуля: изучите тензоры, тренировочные циклы, построение и оценку первой модели для классификации изображений.
- 🧠 Применение PyTorch в CV и NLP: работайте с TorchVision и Hugging Face — настраивайте и дообучайте предобученные модели, сравнивайте архитектуры и улучшайте результаты с помощью подбора гиперпараметров.
- ⚙️ Современные архитектуры и деплой: исследуйте ResNet, Siamese-сети и Transformers, анализируйте поведение моделей и готовьте их к развёртыванию с помощью ONNX, MLflow, pruning и quantization.
- 📘 Построение и обучение моделей глубокого обучения с нуля
- 🔍 Разработка моделей для компьютерного зрения и обработки естественного языка
- 🧠 Применение трансферного обучения и тонкой настройки
- 🧩 Использование интерпретируемости моделей для анализа результатов
- 🚀 Оптимизацию и перенос моделей с помощью ONNX и MLflow
👨🏫 Лоренс Мороуней — бывший руководитель направления AI в Google, признанный эксперт и преподаватель в области машинного обучения и нейросетей.
Сводка
Информация о курсе
materials.zip
-
1. 1.1. Беседа между Лоренсом Морони и Эндрю Нг
Оригинал: 1.1. Conversation Between Laurence Moroney And Andrew Ng
RU -
2. 1.2. Почему PyTorch
Оригинал: 1.2. Why PyTorch
RU -
3. 1.3. Основы нейронных сетей
Оригинал: 1.3. The Building Block Of Neural Networks
RU -
4. 1.4. Конвейер ML
Оригинал: 1.4. The ML Pipeline
RU -
5. 1.5. Построение простой нейронной сети
Оригинал: 1.5. Building A Simple Neural Network
RU -
6. 1.7. Функция активации
Оригинал: 1.7. Activation Function
RU -
7. 1.9. Тензоры
Оригинал: 1.9. Tensors
RU -
8. 1.10. Тензорная математика и Broadcasting
Оригинал: 1.10. Tensor Math And Broadcasting
RU -
9. 2.1. Расшифровка секретного сообщения
Оригинал: 2.1. Decoding A Secret Message
RU -
10. 2.2. Обзор ML пайплайна с PyTorch
Оригинал: 2.2. Overview Of The ML Pipeline With PyTorch
RU -
11. 2.3. Обзор ML пайплайна с PyTorch
Оригинал: 2.3. Overview of the ML Pipeline with PyTorch
RU -
12. 2.4. Убытки
Оригинал: 2.4. Loss
RU -
13. 2.5. Оптимизаторы и градиенты
Оригинал: 2.5.Optimizers And Gradients
RU -
14. 2.6. Управление устройствами
Оригинал: 2.6. Device Management
RU -
15. 2.8. Классификация изображений
Оригинал: 2.8. Image Classification
RU -
16. 2.9. Классификация изображений
Оригинал: 2.9. Image Classification
RU -
17. 3.1. Введение в Data Pipelines
Оригинал: 3.1. Introduction To Data Pipelines
RU -
18. 3.2. Доступ к данным
Оригинал: 3.2. Data Access
RU -
19. 3.3. Трансформация пайплайна
Оригинал: 3.3. Transform Pipeline
RU -
20. 3.4. Загрузка данных
Оригинал: 3.4. Data Loader
RU -
21. 3.5. Защита пайплайнов от багов
Оригинал: 3.5. Bugproof Pipelines
RU -
22. 4.1. Фильтры, шаблоны и карты признаков
Оригинал: 4.1. Filters Patterns And Feature Maps
RU -
23. 4.2. Полная архитектура
Оригинал: 4.2. The Full Architecture
RU -
24. 4.3. Обучение CNN для классификации изображений
Оригинал: 4.3. Train A CNN For Image Classification
RU -
25. 4.6. Динамические графы
Оригинал: 4.6. Dynamic Graphs
RU -
26. 4.7. Модульные архитектуры
Оригинал: 4.7. Modular Architectures
RU -
27. 4.8. Проверка и отладка модели
Оригинал: 4.8. Model Inspecting And Debugging
RU