Топикстартер
Член клуба
[Stepik] PyTorch: от тензоров до нейросетей и кастомных фреймворков (Валерий Никаноров, Николай Сергеев)
- Ссылка на картинку
Этот курс предоставляет фундаментальные и практические знания по глубокому обучению с использованием PyTorch — одного из ведущих фреймворков машинного обучения. Вы шаг за шагом освоите работу с тензорами, архитектурой нейросетей, загрузкой и предобработкой данных, обучением моделей и визуализацией экспериментов. Курс ориентирован на разработку прикладных навыков, в том числе создание собственных фреймворков для тестирования гиперпараметров и отладки нейросетей.
Чему вы научитесь
Курс предлагает всестороннее погружение в разработку, отладку и эксперименты с нейросетевыми моделями на PyTorch. Вы начнёте с основ: установка, тензоры и базовые операции, и закончите созданием собственного фреймворка для организации экспериментов и тестирования гиперпараметров. Курс включает большое количество визуализаций, интерактивных заданий и практических примеров кода.
Для кого этот курс
Люди, интересующиеся нейросетями и желающие перейти от теории к практике
Начинающие и продолжающие разработчики, желающие глубоко понять внутренности PyTorch
ML-инженеры, стремящиеся систематизировать знания и освоить продвинутые методы отладки
Исследователи, которым нужен собственный фреймворк для гибких экспериментов с архитектурами
Начальные требования
Уверенное знание Python
Базовое понимание работы нейросетей и глубинного обучение на уровне курса Нейронные сети: Основы глубокого обучения с нуля.
Опыт работы с Jupyter или иной средой разработки на Python (pyCharm, VS etc.)
Наши преподаватели.
Текстовые уроки
Квизы и интерактивные проверки понимания
Примеры кода (всего более 1800 строк) с пояснениями
Задания на код для отработки практики
Чему вы научитесь
- Установка и настройка PyTorch, включая поддержку CUDA
- Основы тензоров: оси, ранги, форма и операции (reshape, squeeze, flatten и др.)
- Элементарные, редукционные и индексные операции с тензорами
- Использование Broadcasting и визуализация форм тензоров в CNN
- Работа с датасетами (Fashion MNIST), загрузка, предобработка и нормализация данных
- Принципы построения нейросетей в PyTorch (модули, последовательности, веса, forward)
- Тренировочные циклы, вычисление функции потерь, метрик и построение confusion matrix
- Отладку кода с помощью встроенных средств PyTorch
- Интеграцию с TensorBoard для отслеживания метрик
- Разработку кастомного фреймворка для гиперпараметрических и архитектурных экспериментов
- Продвинутые темы: num_workers, оптимизация загрузки данных, работа с GPU и Sequential моделью
Курс предлагает всестороннее погружение в разработку, отладку и эксперименты с нейросетевыми моделями на PyTorch. Вы начнёте с основ: установка, тензоры и базовые операции, и закончите созданием собственного фреймворка для организации экспериментов и тестирования гиперпараметров. Курс включает большое количество визуализаций, интерактивных заданий и практических примеров кода.
Для кого этот курс
Люди, интересующиеся нейросетями и желающие перейти от теории к практике
Начинающие и продолжающие разработчики, желающие глубоко понять внутренности PyTorch
ML-инженеры, стремящиеся систематизировать знания и освоить продвинутые методы отладки
Исследователи, которым нужен собственный фреймворк для гибких экспериментов с архитектурами
Начальные требования
Уверенное знание Python
Базовое понимание работы нейросетей и глубинного обучение на уровне курса Нейронные сети: Основы глубокого обучения с нуля.
Опыт работы с Jupyter или иной средой разработки на Python (pyCharm, VS etc.)
Наши преподаватели.
- Валерий Никаноров .Работаю senior ML-инженером в МТС-банке. Увлекаюсь машинным обучением и нейронными сетями! В качестве хобби делаю курсы.Преподаю машинное обучение, глубинное обучение, статистику и не только уже больше 7 лет.
- Николай Сергеев (7 лет в Data Science, Инженер машинного обучения в Желтом Банке, Сеньор);
Текстовые уроки
Квизы и интерактивные проверки понимания
Примеры кода (всего более 1800 строк) с пояснениями
Задания на код для отработки практики
Показать больше
