AI и машинное обучение

Учебник TensorFlow и Keras для начинающих

19 уроков · 6 разделов · бесплатно, без регистрации

Полный практический курс по TensorFlow 2 и его высокоуровневому API Keras. Вы научитесь думать о нейросети как о стеке слоёв, понимать тензоры и операции, собирать модели через Sequential и Functional API, обучать их на реальных данных (MNIST), бороться с переобучением через dropout и регуляризацию, строить свёрточные сети для картинок, использовать callbacks и сохранять модели для инференса. Курс рассчитан на тех, кто знает Python и хочет уверенно войти в глубокое обучение. В одном из уроков мы честно сравним Keras и PyTorch, чтобы вы понимали, какой инструмент когда выбирать.

Курс «TensorFlow и Keras» состоит из 6 разделов и 19 уроков: Знакомство с TensorFlow и Keras, Тензоры и операции, Модель как стек слоёв, Обучение модели, Практика: классификация и Свёрточные сети и продакшн. Уроки идут по порядку — от основ к более сложным темам, в каждом есть объяснение с примерами, а в конце — вопросы для самопроверки. К урокам привязаны задачи с автоматической проверкой: прочитали тему — сразу закрепили её кодом.

Программа курса

1 Знакомство с TensorFlow и Keras
1. Что такое TensorFlow и Keras
  TensorFlow — фреймворк глубокого обучения от Google, Keras — его высокоуровневый API. Разбираем роли, историю и экосистему.
2. Установка и первый запуск
  Как установить TensorFlow через pip, проверить версию, выбрать CPU или GPU и запустить первую программу без ошибок.
3. Конвейер работы с моделью
  Полный цикл в Keras: данные → модель → compile → fit → evaluate → predict. Обзор пяти шагов, которые повторяются в любом проекте.
2 Тензоры и операции
1. Что такое тензор
  Тензор — это многомерный массив чисел. Разбираем скаляр, вектор, матрицу, ранг и форму на наглядных примерах.
2. Операции над тензорами
  Поэлементные операции, матричное умножение, агрегации и редукции в TensorFlow. Разница между поэлементным и матричным умножением.
3. Broadcasting и формы
  Broadcasting в TensorFlow: как операции автоматически растягивают тензоры разной формы. Правила совместимости форм с примерами.
3 Модель как стек слоёв
1. Sequential API — стек слоёв
  Sequential API в Keras: модель как линейный стек слоёв. Как добавлять слои, смотреть summary и понимать число параметров.
2. Полносвязный слой Dense
  Слой Dense в Keras: линейное преобразование вход × веса + смещение. Как считается выход нейрона и зачем нужно смещение.
3. Функции активации
  Функции активации relu, sigmoid, softmax в Keras: что они делают, где применяются и почему сеть без нелинейности бесполезна.
4 Обучение модели
1. Функции потерь
  Функции потерь в Keras: MSE для регрессии, crossentropy для классификации. Как loss измеряет ошибку и направляет обучение.
2. Оптимизаторы и backpropagation
  Оптимизаторы SGD и Adam, градиентный спуск и backpropagation в Keras. Как сеть обновляет веса и зачем нужен learning rate.
3. compile, fit, батчи и эпохи
  Методы compile и fit в Keras, понятия батч, эпоха и итерация. Как настроить и запустить обучение модели.
5 Практика: классификация
1. Классификация MNIST пошагово
  Полный пример: распознавание рукописных цифр MNIST в Keras от загрузки данных до оценки точности. Каждый шаг с пояснением.
2. Переобучение и валидация
  Что такое переобучение (overfitting) в нейросетях, как его заметить по разрыву train/val loss и зачем нужна валидационная выборка.
3. Dropout и регуляризация
  Борьба с переобучением: dropout и L2-регуляризация в Keras. Как они работают, где ставить и как настраивать силу.
6 Свёрточные сети и продакшн
1. Свёрточные сети (CNN)
  Свёрточные сети в Keras: слои Conv2D и MaxPooling, что такое свёртка и фильтр, почему CNN лучше Dense для изображений.
2. Callbacks: EarlyStopping и checkpoints
  Callbacks в Keras: EarlyStopping останавливает обучение при переобучении, ModelCheckpoint сохраняет лучшую модель. Как их подключить.
3. Сохранение, загрузка и инференс
  Как сохранить и загрузить обученную модель Keras (формат .keras), сделать предсказание (инференс) и не путать обучение с применением.
4. Functional API и сравнение с PyTorch
  Functional API в Keras для сложных топологий и честное сравнение Keras и PyTorch: философия, синтаксис, когда что выбирать.

Программа курса

1 Знакомство с TensorFlow и Keras

2 Тензоры и операции

3 Модель как стек слоёв

4 Обучение модели

5 Практика: классификация

6 Свёрточные сети и продакшн