Нейросети для начинающих: код на Python

Программа курса

Ознакомьтесь с программой курса «Нейросети для начинающих: код на Python» от EasyPro Academy - easypro.academy

1. Основы векторов и векторных операций - 2 часа. Изучим основы векторов: определение, размерность, операции (сложение, вычитание, умножение на скаляр). Разберём скалярное и векторное произведение, линейную зависимость и базис векторного пространства.
2. Работа с матрицами и линейными преобразованиями - 2 часа. Освоим работу с матрицами: создание, транспонирование, определитель и обратная матрица. Изучим линейные преобразования (поворот, масштабирование, сдвиг) и их матричное представление.
3. Библиотека NumPy: создание и работа с массивами - 3 часа. Познакомимся с библиотекой NumPy: создадим массивы разной размерности, изучим их свойства (shape, ndim, dtype). Научимся индексировать, нарезать и изменять массивы. Разберём базовые операции с массивам…
4. Применение линейной алгебры на практике с NumPy - 2 часа. Применим линейную алгебру на практике: решим системы линейных уравнений, выполним матричные операции (умножение, обращение). Научимся использовать NumPy для вычислений с векторами и матрицами.
5. Библиотека Pandas: анализ данных в DataFrame - 3 часа. Изучим библиотеку Pandas: создадим DataFrame, загрузим данные из CSV. Научимся фильтровать, сортировать, агрегировать данные. Разберём работу с пропущенными значениями и преобразование типов.
6. Визуализация данных с помощью Matplotlib - 2 часа. Освоим визуализацию данных с Matplotlib: создадим графики (линейные, столбчатые, круговые). Настроим стили, подписи, легенды. Научимся строить несколько графиков на одном поле и сохранять изображения.
7. Теория и практика реализации перцептрона - 3 часа. Разберём теорию перцептрона: архитектуру, функцию активации, алгоритм обучения. Реализуем перцептрон на Python с NumPy. Проверим его работу на простых задачах классификации.
8. Решение задач классификации образов - 2 часа. Решим задачи классификации образов: подготовим данные, обучим модель, оценим точность. Разберём метрики качества (точность, полнота, F1‑score) и визуализацию результатов.
9. Введение в библиотеку TensorFlow/Keras - 2 часа. Познакомимся с библиотеками TensorFlow и Keras: изучим их возможности, установим зависимости. Создадим простую модель с помощью Keras API, разберём основные компоненты (слои, оптимизаторы, функции потерь).
10. Создание архитектуры нейронных сетей - 2 часа. Научимся создавать архитектуры нейронных сетей: выберем количество слоёв, типы нейронов и функции активации. Реализуем полносвязные и свёрточные сети для задач классификации и регрессии.
11. Процесс обучения и настройки моделей - 2 часа. Изучим процесс обучения моделей: настройку гиперпараметров (скорость обучения, размер батча), разделение данных на обучающую и тестовую выборки. Разберём методы регуляризации и предотвращение переобучения.
12. Реализация алгоритма градиентного спуска - 2 часа. Реализуем алгоритм градиентного спуска: выведем формулы для вычисления градиентов, напишем код на Python. Сравним стохастический и пакетный градиентный спуск, изучим адаптивные оптимизаторы (Adam, RMSprop).
13. Применение функций активации в нейросетях - 2 часа. Изучим функции активации: сигмоида, ReLU, tanh, softmax. Разберём их свойства, области применения и влияние на обучение сети. Реализуем их на Python и протестируем на примерах.
14. Итоговый проект: классификация изображений NIST - 3 часа. Выполним итоговый проект: загрузим датасет NIST, подготовим данные, создадим и обучим нейронную сеть для классификации изображений. Оценим точность модели, визуализируем результаты и представим отчёт о…

Чему вы научитесь

• Освоите и сможете применять: разберём теорию перцептрона архитектуру, функцию активации, алгоритм обучения. реализуем перцептрон на python с numpy. проверим его работу на простых задачах классиф…
• Освоите и сможете применять: решим задачи классификации образов подготовим данные, обучим модель, оценим точность. разберём метрики качества (точность, полнота, f1‑score) и визуализацию результатов.
• Освоите и сможете применять: выполним итоговый проект загрузим датасет nist, подготовим данные, создадим и обучим нейронную сеть для классификации изображений. оценим точность модели, виз…
• Реализуем алгоритм градиентного спуска выведем формулы для вычисления градиентов, напишем код на Python. Сравним стохастический и пакетный градиентный спуск, изучим…
• Изучим функции активации сигмоида, ReLU, tanh, softmax. Разберём их свойства, области применения и влияние на обучение сети. Реализуем их на Python и протестируем н…