Глубокое Обучение on Digitable courses https://courses.digitable.life/tags/%D0%B3%D0%BB%D1%83%D0%B1%D0%BE%D0%BA%D0%BE%D0%B5-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5/ Recent content in Глубокое Обучение on Digitable courses Hugo ru-RU Sat, 01 Aug 2026 00:12:59 +0300 Внимание и трансформеры https://courses.digitable.life/post/neural-networks/05-attention-and-transformers/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/05-attention-and-transformers/ Механизм внимания с первых принципов: от узкого места seq2seq до scaled dot-product, многоголовости, RoPE, полного блока трансформера, KV-кэша и продакшн-инференса. Генеративные модели: VAE, GAN, диффузия https://courses.digitable.life/post/neural-networks/07-generative-models/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/07-generative-models/ Как научить сеть порождать новые данные: вариационная нижняя граница и VAE, минимаксная игра GAN, диффузионные модели и их связь с оценкой score-функции — с выводами, кодом и продакшн-нюансами. Графовые нейронные сети https://courses.digitable.life/post/neural-networks/08-graph-neural-networks/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/08-graph-neural-networks/ Как обучать нейросети на данных без сетки и без порядка: перестановочная симметрия, передача сообщений, GCN/GraphSAGE/GAT/GIN, пределы выразительности, переглаживание и пережатие, масштабирование на миллиарды рёбер. Нейронные сети: карта трека, интуиция и место среди ML https://courses.digitable.life/post/neural-networks/00-overview/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/00-overview/ Что такое нейронная сеть с первых принципов, чем она отличается от классического ML, почему работает глубина — и как устроен весь трек: от перцептрона до деплоя и интерпретируемости. Обучение сетей: оптимизаторы, инициализация, нормализация, регуляризация https://courses.digitable.life/post/neural-networks/02-training-and-optimization/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/02-training-and-optimization/ Полный разбор того, что происходит между «есть архитектура» и «есть работающая модель»: ландшафт потерь, SGD и Adam, learning rate schedule, инициализация весов, BatchNorm/LayerNorm, weight decay и dropout, клиппинг градиентов, mixed precision и диагностика неудачного запуска. Перцептрон, функции активации и обратное распространение ошибки https://courses.digitable.life/post/neural-networks/01-perceptron-and-backprop/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/01-perceptron-and-backprop/ От одного нейрона Розенблатта до алгоритма, который считает градиент по миллиардам параметров за один проход: линейная разделимость, зоопарк активаций, правило цепочки на вычислительном графе и autograd с нуля. Рекуррентные сети, LSTM и GRU https://courses.digitable.life/post/neural-networks/04-rnn-and-lstm/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/04-rnn-and-lstm/ Как сеть обрабатывает последовательности произвольной длины: развёртка во времени, BPTT, проблема исчезающих градиентов и почему вентильные архитектуры LSTM и GRU её решают. Свёрточные сети и компьютерное зрение https://courses.digitable.life/post/neural-networks/03-cnn/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/03-cnn/ Почему на изображениях полносвязная сеть безнадёжна, как устроена свёртка изнутри, что такое рецептивное поле, как эволюционировали архитектуры от LeNet до ConvNeXt и что ломается при выкатке CV-модели в прод. Эмбеддинги и обучение представлений https://courses.digitable.life/post/neural-networks/09-embeddings-and-representation/ Thu, 16 Jul 2026 10:00:00 +0300 https://courses.digitable.life/post/neural-networks/09-embeddings-and-representation/ Как сеть превращает объекты в векторы, на каких задачах учатся хорошие представления (word2vec, контрастное обучение, CLIP, self-supervised), как их измерять и как эксплуатировать в проде — от two-tower до HNSW-индексов.