Продолжаем перевод разбора ключевых архитектур глубокого обучения с курсом MIT 6.S191! Лектор Александр Амини (Alexander Amini) рассказывает о сверточных нейронных сетях (CNN) — фундаменте современного компьютерного зрения и не только. Из этой лекции вы узнаете: Почему обычные нейросети не подходят для изображений: Проблема размерности и отсутствие инвариантности к сдвигам. Как работают свертки (convolutions): Изучение фильтров для выделения краев, текстур и других признаков. Ключевые слои CNN: Сверточный слой, функция активации (ReLU), пулинг (pooling) и полносвязный слой. Знаменитые архитектуры: Обзор эволюции от LeNet до ResNet, которая позволяет обучать действительно глубокие сети. Применения: Классификация изображений, детекция объектов, сегментация, анализ медицинских снимков и даже обработка текста. Лекция идеально подойдет тем, кто хочет понять, как нейросети «видят» мир и какие алгоритмы лежат в основе распознавания лиц, беспилотных автомобилей и систем дополненной реальности.