Изучите ключевые идеи нейронных сетей в семи лабораториях Jupyter по TensorFlow, Keras и PyTorch. После концептуального введения вы поработаете с тензорами и вычислениями, обучите регрессионные модели, соберёте полносвязные сети и создадите модель классификации текста.
Курс сочетает обзоры фреймворков с частично заполненными реализациями. Примеры используют данные о жилье в Калифорнии, рукописные цифры, отзывы IMDB и синтетическую регрессию, связывая слои, функции потерь, оптимизаторы, циклы обучения и прогнозы с конкретными задачами.
Чему вы научитесь
- Объяснять важные этапы, понятия и базовые структуры глубокого обучения
- Работать с тензорами, сессиями, графами, переменными, placeholders и матричными операциями TensorFlow
- Реализовывать регрессию TensorFlow с наименьшими квадратами, ручными градиентами, оптимизаторами и мини-пакетами
- Строить и обучать многослойную полносвязную сеть TensorFlow на рукописных цифрах
- Изучать слои Keras, Sequential, Functional API, обучение, оценку и визуализацию модели
- Готовить последовательности IMDB и строить Sequential-классификатор тональности
- Использовать тензоры PyTorch, autograd, нейросетевые модули и оптимизаторы
- Завершать модель линейной регрессии PyTorch и цикл обучения на синтетических данных
Для кого этот курс
Курс предназначен для учащихся с основами Python и машинного обучения, желающих сравнить представление тензоров, слоёв, моделей и обучения в трёх фреймворках. Хотя лаборатории отмечены как начальные, компактные Notebook предполагают понимание массивов NumPy, матричных операций, потерь и оптимизации. Это основа фреймворков, а не курс по современному промышленному развёртыванию или продвинутому глубокому обучению.
Предварительные требования: Рекомендуются основы Python, операции с массивами NumPy и начальное понимание линейной регрессии и нейронных сетей. Полезно знать Jupyter Notebook.
Учебная среда: Все семь лабораторий выполняются в предоставленной среде Jupyter на Ubuntu 22.04. Notebook сочетают объяснения, запускаемые примеры и незавершённые ячейки кода.
Часто задаваемые вопросы
Буду ли я строить модели во всех трёх фреймворках?
Да. TensorFlow используется для регрессии и многослойной модели цифр, Keras — для Sequential-модели тональности IMDB, PyTorch — для линейной регрессии. Руководства также рассматривают основные абстракции.
Подойдёт ли курс человеку без знаний Python?
Нет. Notebook быстро переходят к тензорам, матричному умножению, потерям, градиентам и циклам обучения. Важны основы Python и вводного машинного обучения.
Используются ли современные API фреймворков?
Не везде. TensorFlow использует шаблоны 1.x, включая Session и placeholder; Keras — самостоятельный пакет keras; руководство PyTorch содержит старые Variable и материалы CUDA 8/9. Концепции полезны, но для новых проектов нужна актуальная документация.
Какие данные и задачи включены?
Используются жильё Калифорнии для регрессии TensorFlow, цифры scikit-learn для полносвязной классификации, отзывы IMDB для анализа тональности и сгенерированные данные для регрессии PyTorch.
