Создание Искусственного Интеллекта
С нуля до профессионального уровня. Подходит для всех. Учитесь каждый день и создайте свой собственный Искусственный Интеллект.
Практические задания
Помощь от учителя
Поддержка 24/7
Программа курса
13 разделов • 55 уроков
1
Введение
1.1. Как проходить курс
1.2. Что такое Искусственный Интеллект
1.3. Установка инструментов
1.4. Этика и безопасность ИИ
2
Python для Data Science
2.1. NumPy: фундамент численных вычислений
2.2. NumPy: продвинутые операции
2.3. Pandas: работа с табличными данными
2.4. Визуализация данных
3
Математика для Machine Learning
3.1. Линейная алгебра для нейросетей
3.2. Производные и градиенты
3.3. Теория вероятностей для ML
4
Введение в PyTorch
4.1. Тензоры — основа всего
4.2. Операции с тензорами
4.3. Autograd — магия автоматического дифференцирования
4.4. Dataset, DataLoader и трансформации
5
Нейронные сети — БОЛЬШОЙ МОДУЛЬ
5.1. Как устроена нейронная сеть
5.2. Функции активации
5.3. Функции потерь (Loss Functions)
5.4. Оптимизаторы
5.5. Полный цикл обучения нейросети
5.6. Переобучение и регуляризация
5.7. Диагностика и отладка нейросетей
5.8. Vision Transformer (ViT)
6
Компьютерное зрение (Computer Vision)
6.1. Свёрточные нейронные сети (CNN)
6.2. Классификация изображений
6.3. Transfer Learning
6.4. Современные архитектуры
7
Обработка естественного языка (NLP)
7.1. Токенизация и эмбеддинги
7.2. Рекуррентные сети (RNN, LSTM, GRU)
7.3. Механизм внимания (Attention)
7.4. Трансформеры
7.5. Prompt Engineering
7.6. RAG — генерация с дополнением по знаниям
8
Генеративные модели
8.1. Автоэнкодеры (Autoencoders)
8.2. GAN — генеративно-состязательные сети
8.3. Диффузионные модели
9
Тонкая настройка больших моделей
9.1. Fine-tuning: подходы и стратегии
9.2. Параметро-эффективный fine-tuning (PEFT)
9.3. RLHF и Alignment
10
Деплой и продакшн
10.1. Сохранение и экспорт моделей
10.2. Создание API для модели
10.3. Docker и облачный деплой
10.4. Model Serving — продакшн инференс
11
Reinforcement Learning
11.1. Введение в Reinforcement Learning
11.2. Q-Learning и Deep Q-Networks
11.3. Policy Gradients и современные методы RL
11.4. RL на практике
12
Дополнительные темы Deep Learning
12.1. MLOps — управление ML-проектами
12.2. Рекомендательные системы
12.3. Time Series Forecasting
12.4. Multimodal Learning
12.5. Graph Neural Networks
12.6. Audio и Speech в Deep Learning
13
Заключение
13.1. Благодарности
13.2. Что дальше (Roadmap)
Преподаватели
Изучите преподавательский состав
Отзывы о курсе
0 отзыва
Войдите в аккаунт, чтобы оставить отзыв о курсе
0ч 00мин 00секдо конца акции
Доступ навсегда
24/7 Support
python
Google Colab
PyTorch
NumPy
Pandas
Matplotlib
Seaborn
0ч 00мин 00секдо конца акции