Нейросети

Сквозной маршрут от одного нейрона до генеративных моделей. Конспекты читаются по порядку: каждый опирается на определения и формулы предыдущих (перекрёстные ссылки вида «конспект 2, формула (2.8)» указывают, куда вернуться). В каждом конспекте — интерактивный тренажёр и контрольные вопросы; весь код — на Keras/TensorFlow.

1. 01 Системы уравнений и нейрон Метод наименьших квадратов, формальное определение нейрона, функции активации, линейная разделимость и XOR.
2. 02 Градиентный спуск и обратное распространение ошибки Функция ошибки, градиент, скорость обучения, прямой и обратный проход, обучаемый нейрон на numpy.
3. 03 Первая сеть на Keras: полносвязный слой Sequential, Dense, softmax и перекрёстная энтропия, compile/fit, классификация CIFAR-10.
4. 04 Свёрточные сети Свёртка, ядро, шаг и паддинг, пулинг, сборка CNN, метрики качества классификации.
5. 05 Переобучение и регуляризация Кривые обучения, callbacks, Dropout, batch normalization, аугментация данных.
6. 06 Деконволюция и шахматные артефакты Перевод статьи Distill (2016): неравномерное перекрытие, resize-свёртка, артефакты в градиентах.
7. 07 Архитектуры CNN ImageNet, AlexNet, VGGNet, Inception, ResNet, U-Net и сегментация, MobileNet, перенос обучения.
8. 08 Интерпретируемость моделей Окклюзия, LIME, вектор Шепли и SHAP, карты важности, Grad-CAM.
9. 09 Автоэнкодеры и VAE Обучение без учителя, PCA, скрытое представление, поиск аномалий, репараметризация, KL-дивергенция.
10. 10 Диффузионные модели Прямой и обратный процессы, диффузионное ядро, предсказание шума, DDPM на Keras.
11. 11 GAN / cGAN Минимаксная игра, дискриминатор, DCGAN на Keras, условная генерация, тонкости обучения.
12. 12 Рекуррентные сети (RNN) Скрытое состояние, затухание градиента, LSTM и GRU, схемы применения, классификация текста.