CS230: Deep Learning от Stanford (Рубрика AI)

Начал смотреть лекции с курса CS230 про глубокие нейронные сети от Стэнфорда за 2025 год и пока мне все нравится. В курсе два преподавателя

• Andrew Ng - основатель DeepLearning.AI и сооснователь Coursera, экс-главный ученый Baidu, основатель Google Brain
• Kian Katanforoosh - CEO и основатель Workera (платформа для оценки AI-навыков), сооснователь deeplearning.ai В курсе интересная структура - студенты смотрят лекции онлайн (из Deep Learning Specialization на Coursera), а очные занятия посвящены практическим разборам, дискуссиям и работе над проектами (собственно это можно видеть в лекциях на Youtube, что следуют за первой вводной).

Стурктура курса примерно такая

1️⃣ Основы нейросетей и Deep Learning

• Построение нейросети с нуля на Python (без фреймворков!) ​- Понимание внутреннего устройства, а не просто использование TensorFlow/PyTorch

2️⃣ Hyperparameter Tuning и оптимизация Ng откровенно признается: "Каждый мой PhD-студент просиживал до 2-3 часов ночи, подбирая гиперпараметры". Навык быстрой настройки может сэкономить вам часы работы — разница между отладкой в 3 утра и в 7 утра.

3️⃣ Стратегии построения ML-проектов Критически важно для инженеров:

• Как принимать системные решения в сложных проектах (распознавание лиц, security systems) ​- Дисциплинированный процесс разработки: разница между завершением за дни vs месяцы ​- Когда НЕ нужно собирать больше данных или покупать GPU (частая ошибка бизнеса) ​- Реальный пример из лекции: Ng рассказывает о встрече с CTO крупной компании, который купил кучу GPU и дал племяннику-студенту бюджет "делать AI". Без стратегии это пустая трата денег. ​ 4️⃣ Convolutional Networks (Computer Vision) Специализированные модели для работы с изображениями и видео.

5️⃣ Sequence Models и Transformers

• Работа с временными рядами и текстом ​- Архитектура Transformer - основа GenAI революции

Если говорить про интересные моменты именно первой лекции, то они такие

🔥 Почему Deep Learning доминирует Ng объясняет через простую визуализацию: ​- Традиционный ML: производительность выходит на плато при увеличении данных

• Deep Learning: продолжает улучшаться с масштабированием данных и моделей
• Scaling Laws: производительность предсказуема - можно заранее рассчитать, сколько GPU купить для достижения целевой точности ​ 🛠 Когда использовать Deep Learning vs GenAI Промптинг LLM отлично работает для: ​- Текстовых задач
• Прототипирования ($20-100/месяц приемлемо) Deep Learning нужен когда: ​- Промпты месяц не дают результата
• AI-биллинг становится слишком дорогим (с ростом пользователей)

🎯 Работа с аудио, изображениями, видео, структурированными данными

• Fine-tuning под специфичные задачи
• Цитата Ng: "Многие наши счета от LLM-провайдеров были действительно захватывающими. Не хочу называть цифры, но это значительно больше, чем мы хотели платить". ​ 📊 Иерархия AI-навыков CS Fundamentals (базис) -» Machine Learning (работа с данными) -» Deep Learning ← (курс CS230 здесь) -» Generative AI (Transformers, LLMs) Ng подчеркивает: понимание CS-фундаментов критично даже при использовании AI-ассистентов кода (Cursor, Copilot).

В общем, я пока глянул пару лекций и могу сказать, что курс интересный, а преподаватели хорошо объясняют. Думаю, что и на специализацию подпишусь.

#Software #ML #AI #Engineering #Architecture