12+
Оглавление - Нейросети. Создание и оптимизация будущего
- Слово от автора
- Глава 1. Введение в нейронные сети и глубокое обучение
- 1.1. Эволюция нейронных сетей
- 1.2. Основные понятия нейронных сетей
- 1.3. Принципы работы нейронных сетей
- 1.4. Введение в глубокое обучение
- 1.5. Архитектуры и их основные типы
- 1.6. Проблемы и ограничения нейронных сетей
- 1.7. Почему важно понимание архитектур и оптимизации
- Глава 2. Основы нейронных сетей и градиентного спуска
- 2.1. Процесс обучения нейронной сети
- 2.2. Подготовка данных
- 2.3. Обратное распространение ошибки
- 2.4. Алгоритмы оптимизации
- 2.5. Проблемы и ограничения в обучении
- Глава 3. Полносвязные нейронные сети
- 3.1. Введение в полносвязные нейронные сети
- 3.2. Архитектура полносвязной нейронной сети
- 3.3. Принципы обучения полносвязных нейронных сетей
- 3.4. Применение полносвязных нейронных сетей
- 3.5. Преимущества и недостатки полносвязных нейронных сетей
- 3.6. Современные улучшения и модификации
- Глава 4. Сверточные нейронные сети (CNN)
- 4.1. Введение в сверточные нейронные сети
- 4.2. Концепция свёртки
- 4.3. Пулинг и снижение размерности
- 4.4. Применение сверточных сетей
- 4.5. Методы улучшения CNN
- 4.6. Будущее CNN и текущие ограничения
- 4.7. Задачи для практики по теме «Свертка»
- 4.8. Задачи для практики по теме «Пуллинг»
- Глава 5. Рекуррентные нейронные сети (RNN) и их расширения
- 5.1. Введение в рекуррентные нейронные сети
- 5.2. Архитектура RNN
- 5.3. Long Short-Term Memory (LSTM)
- 5.4. Gated Recurrent Unit (GRU)
- 5.5. Применение RNN, LSTM и GRU
- 5.6. Расширения RNN
- 5.7. Ограничения RNN и переход к Transformer
- 5.8. Практическая реализация RNN
- 5.9. Будущее RNN и их применение
- Глава 6. Автокодировщики и их вариации
- 6.1. Основы автокодировщиков
- 6.2. Вариационные автокодировщики (VAE)
- 6.3. Сверточные автокодировщики
- 6.4. Применение автокодировщиков для сжатия данных
- 6.5. Применение автокодировщиков для генерации данных
- 6.6. Преимущества и ограничения автокодировщиков
- 6.7. Совмещение автокодировщиков с другими архитектурами
- Глава 7. Генеративно-состязательные сети (GAN)
- 7.1. Введение в генеративно-состязательные сети
- 7.2. Архитектура GAN
- 7.3. Алгоритм обучения GAN
- 7.4. Вариации и расширения GAN
- 7.5. StyleGAN: генерация изображений высокого качества
- 7.6. CycleGAN: преобразование изображений
- 7.7. Практическое применение GAN
- 7.8. Перспективы развития GAN
- Глава 8. Архитектуры трансформеров
- 8.1. Введение в трансформеры
- 8.2. Основные компоненты трансформера
- 8.3. Архитектура энкодера и декодера
- 8.4. Обучение трансформеров
- 8.5. Популярные модели на основе трансформеров
- 8.6. Применение трансформеров в NLP
- 8.7. Перспективы развития трансформеров
- Глава 9. Применение трансформеров за пределами NLP
- 9.1. Обработка изображений с использованием трансформеров
- 9.2. Обработка звука и музыки
- 9.3. Обработка видео с использованием трансформеров
- 9.4. Перспективы применения трансформеров в других областях
- Глава 10. Графовые нейронные сети (GNN)
- 10.1. Введение в графовые нейронные сети
- 10.2. Применение GNN
- 10.3. Основные концепции GNN
- 10.4. Архитектуры графовых нейронных сетей
- 10.5. Методы обучения GNN
- 10.6. Реализация GNN на практике
- 10.7. Ограничения и вызовы
- Глава 11. Многозадачное и переносное обучение
- 11.1. Многозадачное обучение (Multi-task Learning, MTL)
- 11.2. Переносное обучение (Transfer Learning)
- 11.3. Сочетание многозадачного и переносного обучения