Neon$
PREMIUM
Автор: Udemy, ZTM, Андрей Неагои, Дэниел Бурк
Название: Буткемп по TensorFlow для глубокого обучения (2026)
Описание:
TensorFlow for Deep Learning Bootcamp by Andrei Neagoie, Daniel Bourke (ZTM)
Язык английский + бонусом субтитры на русском языке, + озвучка на русском языке (ИИ)
Чему вы научитесь:
Создавайте модели TensorFlow с использованием компьютерного зрения, сверточных нейронных сетей и обработки естественного языка.
Полный доступ ко всем интерактивным блокнотам и всем слайдам курса в виде загружаемых руководств.
Повысьте свои навыки в области машинного обучения, искусственного интеллекта и глубокого обучения.
Поймите, как интегрировать машинное обучение в инструменты и приложения.
Научитесь создавать все типы моделей машинного обучения, используя новейшую версию TensorFlow 2.
Разрабатывайте алгоритмы распознавания изображений и текста с использованием глубоких нейронных сетей и сверточных нейронных сетей.
Использование изображений из реального мира для визуализации пути изображения через свертки позволяет понять, как компьютер «видит» информацию, а также оценить потери и точность.
Применение глубокого обучения для прогнозирования временных рядов
Получите навыки, необходимые для того, чтобы стать разработчиком TensorFlow.
Станьте одним из лучших кандидатов для рекрутеров, ищущих разработчиков TensorFlow.
Только что запущен
Присоединяйтесь к онлайн-сообществу, насчитывающему более 900 000 студентов, и пройдите курс под руководством эксперта по TensorFlow. Этот курс проведет вас от абсолютного новичка в TensorFlow до создания передовых нейронных сетей глубокого обучения.
Эксперты по TensorFlow зарабатывают до 204 000 долларов США в год, при этом средняя зарплата составляет около 148 000 долларов США . Пройдя этот курс, вы присоединитесь к растущей индустрии машинного обучения и станете высокооплачиваемым разработчиком TensorFlow!
Вот полное описание всего, чему мы будем учить на курсе (да, это очень подробный план, но не пугайтесь, мы научим вас всему с нуля!):
Цель этого
Этот курс будет очень практическим и основанным на проектах. Вы не будете просто наблюдать за нашими уроками, а сможете экспериментировать, выполнять упражнения и создавать модели машинного обучения и проекты, имитирующие реальные ситуации. В итоге вы приобретете навыки, необходимые для разработки современных решений в области глубокого обучения, с которыми сталкиваются крупные технологические компании.
0 — Основы TensorFlow
Введение в тензоры (создание тензоров)
Получение информации из тензоров (атрибутов тензоров)
Манипулирование тензорами (тензорные операции)
Тензоры и NumPy
Использование `@tf.function` (способ ускорить работу обычных функций Python)
Использование графических процессоров с TensorFlow
1 — Регрессия с использованием нейронных сетей и TensorFlow
Создавайте последовательные модели TensorFlow с несколькими слоями.
Подготовьте данные для использования с моделью машинного обучения.
Изучите различные компоненты, из которых состоит модель глубокого обучения (функция потерь, архитектура, функция оптимизации).
Научитесь диагностировать задачу регрессии (прогнозирование числа) и создавать для нее нейронную сеть.
2 — Классификация с помощью нейронных сетей и TensorFlow
Научитесь диагностировать проблемы классификации (предсказывать, является ли объект одним или другим).
Создавайте, компилируйте и обучайте модели классификации машинного обучения с помощью TensorFlow.
Создание и обучение моделей для бинарной и многоклассовой классификации.
Постройте графики зависимости показателей эффективности моделирования друг от друга.
Сопоставьте формы входных данных (форма обучающих данных) и выходных данных (целевые данные для прогнозирования).
3 — Компьютерное зрение и сверточные нейронные сети с использованием TensorFlow
Создание сверточных нейронных сетей с использованием слоев Conv2D и пулинга.
Узнайте, как диагностировать различные виды проблем компьютерного зрения.
Научитесь создавать нейронные сети для компьютерного зрения.
Узнайте, как использовать изображения из реального мира в моделях компьютерного зрения.
4 — Перенос обучения с использованием TensorFlow. Часть 1: Извлечение признаков.
Узнайте, как использовать предварительно обученные модели для извлечения признаков из собственных данных.
Узнайте, как использовать TensorFlow Hub для предварительно обученных моделей.
Узнайте, как использовать TensorBoard для сравнения производительности нескольких различных моделей.
5 — Перенос обучения с TensorFlow. Часть 2: Тонкая настройка.
Узнайте, как настроить и запустить несколько экспериментов по машинному обучению.
Узнайте, как использовать аугментацию данных для повышения разнообразия обучающих данных.
Узнайте, как доработать предварительно обученную модель под вашу собственную задачу.
Узнайте, как использовать коллбэки для добавления функциональности вашей модели во время обучения.
6 — Перенос обучения с TensorFlow. Часть 3: Масштабирование (мини-проект Food Vision)
Узнайте, как масштабировать существующую модель.
Узнайте, как оценивать свои модели машинного обучения, выявляя наиболее ошибочные прогнозы.
Превзошло оригинальную статью Food101, используя всего 10% данных.
7 — Этапный проект 1: Концепция питания
Объедините все знания, полученные в предыдущих 6 блокнотах, чтобы создать Food Vision: модель компьютерного зрения, способную классифицировать 101 различный вид продуктов питания. Наша модель значительно превосходит оригинальную статью Food101.
8 — Основы обработки естественного языка в TensorFlow
Предварительная обработка текста на естественном языке для использования с нейронной сетью.
Создавайте векторные представления слов (числовые представления текста) с помощью TensorFlow.
Создайте нейронные сети, способные к бинарной и многоклассовой классификации, используя:Рекуррентные нейронные сети (РНН)LSTM (ячейки долговременной кратковременной памяти)GRU (вентилируемые рекуррентные блоки)Сверточные нейронные сети
Узнайте, как оценивать ваши модели обработки естественного языка.
9 — Проект-этап 2: SkimLit
Воспроизвести модель, лежащую в основе статьи, опубликованной в PubMed и набравшей 200 000 подписчиков, для классификации различных последовательностей в медицинских аннотациях PubMed (что может помочь исследователям быстрее просматривать медицинские аннотации).
10 — Основы анализа временных рядов в TensorFlow
Узнайте, как диагностировать проблемы с временными рядами (построение модели для прогнозирования на основе данных за определенный период времени, например, прогнозирование цены акций AAPL на завтра).
Подготовка данных для нейронных сетей, работающих с временными рядами (признаки и метки).
Понимание и использование различных методов оценки временных рядов.MAE — средняя абсолютная ошибка
Создавайте модели прогнозирования временных рядов с помощью TensorFlow.Рекуррентные нейронные сети (РНН)Сверточные нейронные сети (CNN)
11 — Проект-веха 3: (Сюрприз)
Если вы дочитали до этого места, значит, вас, вероятно, заинтересовал курс. Этот последний проект будет хорошим... мы вам обещаем, так что увидимся на курсе
TensorFlow набирает популярность, и появляется все больше вакансий для специалистов, обладающих этими знаниями. Фактически, TensorFlow опережает другие популярные инструменты машинного обучения, такие как PyTorch, на рынке труда. Google, Airbnb, Uber, DeepMind, Intel, IBM, Twitter и многие другие в настоящее время используют TensorFlow. Есть причина, по которой эти крупные технологические компании используют эту технологию, и вы узнаете обо всех возможностях, которые TensorFlow предоставляет разработчикам.
Для кого предназначен этот курс?
Всем, кто хочет войти в число 10% лучших разработчиков TensorFlow и быть на передовой в области искусственного интеллекта, машинного обучения и глубокого обучения.
Студенты, разработчики и специалисты по анализу данных, желающие продемонстрировать практические навыки машинного обучения путем создания и обучения моделей с использованием TensorFlow.
Всем, кто хочет расширить свои знания в области искусственного интеллекта, машинного обучения и глубокого обучения.
Всем, кто хочет освоить создание моделей машинного обучения с использованием последней версии TensorFlow.
Требования:
Mac / Windows / Linux — все операционные системы совместимы с этим курсом!
Предварительные знания TensorFlow не требуются. Базовое понимание машинного обучения будет полезным.
Материалы курса
18 разделов • 417 лекций • Общая продолжительность 62 ч 56 мин
Введение
Основы глубокого обучения и TensorFlow
Регрессия с использованием нейронной сети и TensorFlow
Классификация с помощью нейронных сетей в TensorFlow
Компьютерное зрение и сверточные нейронные сети в TensorFlow
Перенос обучения в TensorFlow. Часть 1: Извлечение признаков.
Перенос обучения в TensorFlow. Часть 2: Тонкая настройка.
Перенос обучения с использованием TensorFlow. Часть 3: Масштабирование.
Проект-этап 1: Food Vision Big™
Основы обработки естественного языка в TensorFlow
Проект-этап 2: SkimLit
Основы работы с временными рядами в TensorFlow + Третий этап проекта: BitPredict
Что делать дальше?
Приложение: Введение в машинное обучение
Приложение: Структура машинного обучения и анализа данных
Приложение: Pandas для анализа данных
Приложение: NumPy
БОНУСНЫЙ РАЗДЕЛ
Скачать:
Название: Буткемп по TensorFlow для глубокого обучения (2026)
Описание:
TensorFlow for Deep Learning Bootcamp by Andrei Neagoie, Daniel Bourke (ZTM)
Язык английский + бонусом субтитры на русском языке, + озвучка на русском языке (ИИ)
Чему вы научитесь:
Создавайте модели TensorFlow с использованием компьютерного зрения, сверточных нейронных сетей и обработки естественного языка.
Полный доступ ко всем интерактивным блокнотам и всем слайдам курса в виде загружаемых руководств.
Повысьте свои навыки в области машинного обучения, искусственного интеллекта и глубокого обучения.
Поймите, как интегрировать машинное обучение в инструменты и приложения.
Научитесь создавать все типы моделей машинного обучения, используя новейшую версию TensorFlow 2.
Разрабатывайте алгоритмы распознавания изображений и текста с использованием глубоких нейронных сетей и сверточных нейронных сетей.
Использование изображений из реального мира для визуализации пути изображения через свертки позволяет понять, как компьютер «видит» информацию, а также оценить потери и точность.
Применение глубокого обучения для прогнозирования временных рядов
Получите навыки, необходимые для того, чтобы стать разработчиком TensorFlow.
Станьте одним из лучших кандидатов для рекрутеров, ищущих разработчиков TensorFlow.
Только что запущен
Вам необходимо зрегистрироваться для просмотра ссылок
, содержащий все современные лучшие практики построения нейронных сетей с использованием TensorFlow и позволяющий стать экспертом по TensorFlow и глубокому обучению!Присоединяйтесь к онлайн-сообществу, насчитывающему более 900 000 студентов, и пройдите курс под руководством эксперта по TensorFlow. Этот курс проведет вас от абсолютного новичка в TensorFlow до создания передовых нейронных сетей глубокого обучения.
Эксперты по TensorFlow зарабатывают до 204 000 долларов США в год, при этом средняя зарплата составляет около 148 000 долларов США . Пройдя этот курс, вы присоединитесь к растущей индустрии машинного обучения и станете высокооплачиваемым разработчиком TensorFlow!
Вот полное описание всего, чему мы будем учить на курсе (да, это очень подробный план, но не пугайтесь, мы научим вас всему с нуля!):
Цель этого
Вам необходимо зрегистрироваться для просмотра ссылок
— научить вас всем навыкам, необходимым для того, чтобы стать одним из 10% лучших разработчиков TensorFlow.Этот курс будет очень практическим и основанным на проектах. Вы не будете просто наблюдать за нашими уроками, а сможете экспериментировать, выполнять упражнения и создавать модели машинного обучения и проекты, имитирующие реальные ситуации. В итоге вы приобретете навыки, необходимые для разработки современных решений в области глубокого обучения, с которыми сталкиваются крупные технологические компании.
0 — Основы TensorFlow
Введение в тензоры (создание тензоров)
Получение информации из тензоров (атрибутов тензоров)
Манипулирование тензорами (тензорные операции)
Тензоры и NumPy
Использование `@tf.function` (способ ускорить работу обычных функций Python)
Использование графических процессоров с TensorFlow
1 — Регрессия с использованием нейронных сетей и TensorFlow
Создавайте последовательные модели TensorFlow с несколькими слоями.
Подготовьте данные для использования с моделью машинного обучения.
Изучите различные компоненты, из которых состоит модель глубокого обучения (функция потерь, архитектура, функция оптимизации).
Научитесь диагностировать задачу регрессии (прогнозирование числа) и создавать для нее нейронную сеть.
2 — Классификация с помощью нейронных сетей и TensorFlow
Научитесь диагностировать проблемы классификации (предсказывать, является ли объект одним или другим).
Создавайте, компилируйте и обучайте модели классификации машинного обучения с помощью TensorFlow.
Создание и обучение моделей для бинарной и многоклассовой классификации.
Постройте графики зависимости показателей эффективности моделирования друг от друга.
Сопоставьте формы входных данных (форма обучающих данных) и выходных данных (целевые данные для прогнозирования).
3 — Компьютерное зрение и сверточные нейронные сети с использованием TensorFlow
Создание сверточных нейронных сетей с использованием слоев Conv2D и пулинга.
Узнайте, как диагностировать различные виды проблем компьютерного зрения.
Научитесь создавать нейронные сети для компьютерного зрения.
Узнайте, как использовать изображения из реального мира в моделях компьютерного зрения.
4 — Перенос обучения с использованием TensorFlow. Часть 1: Извлечение признаков.
Узнайте, как использовать предварительно обученные модели для извлечения признаков из собственных данных.
Узнайте, как использовать TensorFlow Hub для предварительно обученных моделей.
Узнайте, как использовать TensorBoard для сравнения производительности нескольких различных моделей.
5 — Перенос обучения с TensorFlow. Часть 2: Тонкая настройка.
Узнайте, как настроить и запустить несколько экспериментов по машинному обучению.
Узнайте, как использовать аугментацию данных для повышения разнообразия обучающих данных.
Узнайте, как доработать предварительно обученную модель под вашу собственную задачу.
Узнайте, как использовать коллбэки для добавления функциональности вашей модели во время обучения.
6 — Перенос обучения с TensorFlow. Часть 3: Масштабирование (мини-проект Food Vision)
Узнайте, как масштабировать существующую модель.
Узнайте, как оценивать свои модели машинного обучения, выявляя наиболее ошибочные прогнозы.
Превзошло оригинальную статью Food101, используя всего 10% данных.
7 — Этапный проект 1: Концепция питания
Объедините все знания, полученные в предыдущих 6 блокнотах, чтобы создать Food Vision: модель компьютерного зрения, способную классифицировать 101 различный вид продуктов питания. Наша модель значительно превосходит оригинальную статью Food101.
8 — Основы обработки естественного языка в TensorFlow
Предварительная обработка текста на естественном языке для использования с нейронной сетью.
Создавайте векторные представления слов (числовые представления текста) с помощью TensorFlow.
Создайте нейронные сети, способные к бинарной и многоклассовой классификации, используя:Рекуррентные нейронные сети (РНН)LSTM (ячейки долговременной кратковременной памяти)GRU (вентилируемые рекуррентные блоки)Сверточные нейронные сети
Узнайте, как оценивать ваши модели обработки естественного языка.
9 — Проект-этап 2: SkimLit
Воспроизвести модель, лежащую в основе статьи, опубликованной в PubMed и набравшей 200 000 подписчиков, для классификации различных последовательностей в медицинских аннотациях PubMed (что может помочь исследователям быстрее просматривать медицинские аннотации).
10 — Основы анализа временных рядов в TensorFlow
Узнайте, как диагностировать проблемы с временными рядами (построение модели для прогнозирования на основе данных за определенный период времени, например, прогнозирование цены акций AAPL на завтра).
Подготовка данных для нейронных сетей, работающих с временными рядами (признаки и метки).
Понимание и использование различных методов оценки временных рядов.MAE — средняя абсолютная ошибка
Создавайте модели прогнозирования временных рядов с помощью TensorFlow.Рекуррентные нейронные сети (РНН)Сверточные нейронные сети (CNN)
11 — Проект-веха 3: (Сюрприз)
Если вы дочитали до этого места, значит, вас, вероятно, заинтересовал курс. Этот последний проект будет хорошим... мы вам обещаем, так что увидимся на курсе
TensorFlow набирает популярность, и появляется все больше вакансий для специалистов, обладающих этими знаниями. Фактически, TensorFlow опережает другие популярные инструменты машинного обучения, такие как PyTorch, на рынке труда. Google, Airbnb, Uber, DeepMind, Intel, IBM, Twitter и многие другие в настоящее время используют TensorFlow. Есть причина, по которой эти крупные технологические компании используют эту технологию, и вы узнаете обо всех возможностях, которые TensorFlow предоставляет разработчикам.
Для кого предназначен этот курс?
Всем, кто хочет войти в число 10% лучших разработчиков TensorFlow и быть на передовой в области искусственного интеллекта, машинного обучения и глубокого обучения.
Студенты, разработчики и специалисты по анализу данных, желающие продемонстрировать практические навыки машинного обучения путем создания и обучения моделей с использованием TensorFlow.
Всем, кто хочет расширить свои знания в области искусственного интеллекта, машинного обучения и глубокого обучения.
Всем, кто хочет освоить создание моделей машинного обучения с использованием последней версии TensorFlow.
Требования:
Mac / Windows / Linux — все операционные системы совместимы с этим курсом!
Предварительные знания TensorFlow не требуются. Базовое понимание машинного обучения будет полезным.
Материалы курса
18 разделов • 417 лекций • Общая продолжительность 62 ч 56 мин
Введение
Основы глубокого обучения и TensorFlow
Регрессия с использованием нейронной сети и TensorFlow
Классификация с помощью нейронных сетей в TensorFlow
Компьютерное зрение и сверточные нейронные сети в TensorFlow
Перенос обучения в TensorFlow. Часть 1: Извлечение признаков.
Перенос обучения в TensorFlow. Часть 2: Тонкая настройка.
Перенос обучения с использованием TensorFlow. Часть 3: Масштабирование.
Проект-этап 1: Food Vision Big™
Основы обработки естественного языка в TensorFlow
Проект-этап 2: SkimLit
Основы работы с временными рядами в TensorFlow + Третий этап проекта: BitPredict
Что делать дальше?
Приложение: Введение в машинное обучение
Приложение: Структура машинного обучения и анализа данных
Приложение: Pandas для анализа данных
Приложение: NumPy
БОНУСНЫЙ РАЗДЕЛ
Скачать:
