Нейросети [Udemy, Data Science Academy] Специализация по глубокому обучению: продвинутый искусственный интеллект, практические занятия в лаборатории (2025)

[Moderator]

Автор: Udemy, Data Science Academy

Название: Специализация по глубокому обучению: продвинутый искусственный интеллект, практические занятия в лаборатории (2025)

Описание:
Освойте передовые технологии искусственного интеллекта с помощью глубокого обучения, трансформеров, генеративно-состязательных сетей, обучения с подкреплением и навыков практического применения

Чему вы научитесь

• Разработка, обучение и оптимизация передовых моделей глубокого обучения, включая CNN, RNN, Transformer, GAN и диффузионные модели, для реальных приложений.
• Примените методы обучения с подкреплением, такие как Q-обучение, глубокие Q-сети и методы градиентного анализа политики.
• Развертывайте модели глубокого обучения в производственных средах, используя Flask, FastAPI, Docker и облачные платформы (AWS, GCP, Azure).
• Ответственно интерпретируйте и оценивайте модели ИИ, используя методы объяснимого ИИ (XAI), такие как SHAP, LIME и визуализация внимания.

Материалы курса
8 разделов • 39 лекций • Общая продолжительность 4 ч 31 мин

• Неделя 1 - Основы глубокого обучения и нейронных сетей 4 лекции • 29 мин
• Неделя 2. Методы оптимизации и регуляризации 5 занятий • 40 мин
• Неделя 3 - Сверточные нейронные сети (CNN) 5 уроков • 37 мин
• Неделя 4 - Рекуррентные нейронные сети (RNN) и модели последовательностей 5 лекций • 35 мин
• Неделя 5 - Трансформеры и обработка естественного языка (НЛП) 5 уроков • 34 мин
• Неделя 6 - Генеративные модели 5 уроков • 32 мин
• Неделя 7 – обучение с подкреплением (RL) и углубленное занятие RL 5 • 32 мин
• Неделя 8. Этика, внедрение и будущее искусственного интеллекта

Требования

• Базовые знания Python
• Основы машинного обучения
• Основы линейной алгебры и теории вероятностей
• Фреймворки глубокого обучения (необязательно, но полезно)
• Инструменты и настройка

Описание
«Этот курс включает в себя использование искусственного интеллекта для создания сценариев, визуальных материалов, аудио и вспомогательного контента».
Специализация « Глубокое обучение: продвинутый ИИ» предназначена для тех, кто хочет освоить передовые методы глубокого обучения и применять их на практике в лабораторных работах каждую неделю . Этот курс выходит за рамки теории — каждый раздел включает в себя лабораторные работы по программированию с пошаговыми инструкциями, где вы будете реализовывать алгоритмы, экспериментировать с моделями и решать реальные задачи.

Вы начнёте с основ нейронных сетей , изучив функции активации, функции потерь и методы оптимизации , а также выполните лабораторные работы, на которых покажете, как создавать и обучать модели с нуля. Затем вы углубитесь в сверточные нейронные сети (CNN) , работая с классическими архитектурами, такими как LeNet, VGG и ResNet , и применяя их в лабораторных работах по классификации изображений, обнаружению объектов и трансферному обучению .

Далее вы изучите модели последовательностей , построите рекуррентные нейронные сети (RNN), сети LSTM, графовые рекуррентные рекуррентные сети (GRU) и механизмы внимания , а также выполните лабораторные работы по прогнозированию временных рядов, генерации текста и визуализации внимания . Перейдя к трансформерам и обработке естественного языка (NLP), вы реализуете механизм самовнимания , поэкспериментируете с мини-трансформерами и поработаете с предварительно обученными моделями, такими как BERT и GPT , а также выполните лабораторные работы, посвященные вопросам предвзятости и справедливости в системах NLP .

Во второй половине курса вы будете экспериментировать с генеративными моделями, выполняя лабораторные работы по автокодировщикам, VAE, GAN и диффузионным моделям для креативных приложений ИИ. Затем вы примените обучение с подкреплением , кодирование Q-обучения, DQN и методы градиента политики для обучения агентов в таких средах, как CartPole. Наконец, вы займетесь развертыванием, объяснимостью и этикой , выполняя лабораторные работы по развертыванию Flask/FastAPI + Docker, объяснимости SHAP/LIME, метрикам справедливости и многомодальным демонстрациям ИИ .

По завершении этой специализации вы не только разберетесь в передовых архитектурах глубокого обучения, но и получите практический опыт, приобретенный на еженедельных лабораторных работах, для уверенного проектирования, обучения, развертывания и оценки современных систем искусственного интеллекта в реальных условиях.

Для кого этот курс:

• Начинающие специалисты по анализу данных и инженеры по машинному обучению
• Энтузиасты и исследователи в области искусственного интеллекта
• Разработчики и инженеры программного обеспечения
• Студенты и специалисты в областях STEM (наука, технология, инженерия и математика)
• Предприниматели и новаторы

 

Подробнее:

Ссылки и информация для скачивания: