обучение
Постоянный журнал того, чему я учусь, чтобы развить сильные основные навыки разработки программного обеспечения, а также каждый день понемногу расширять свои знания о смежных технологиях.
Обновлено : Раз в месяц | Текущее направление : генеративный искусственный интеллект
Основные навыки
Программирование на Python
| Ресурс | Прогресс |
|---|
| Datacamp: написание эффективного кода Python | ✅ |
| Datacamp: написание функций на Python | ✅ |
| Datacamp: объектно-ориентированное программирование на Python | ✅ |
| Datacamp: объектно-ориентированное программирование на Python среднего уровня | ✅ |
| Datacamp: импорт данных в Python (часть 1) | ✅ |
| Datacamp: импорт данных в Python (часть 2) | ✅ |
| Datacamp: средний уровень Python для науки о данных | ✅ |
| Datacamp: набор инструментов Python для анализа данных (часть 1) | ✅ |
| Datacamp: набор инструментов Python для анализа данных (часть 2) | ✅ |
| Datacamp: разработка пакетов Python | ✅ |
| Datacamp: Основы Conda | ✅ |
| Youtube: Учебное пособие: Себастьян Витовски — Современный набор инструментов для разработчиков Python | ✅ |
| Datacamp: работа с датами и временем в Python | ✅ |
| Datacamp: автоматизация командной строки в Python | ⬜ |
| Datacamp: модульное тестирование для анализа данных на Python | ✅ |
| Книга: Питон 201. | ⬜ |
| Книга: Написание идиоматического Python 3 | ⬜ |
| Книга: Разработка через тестирование с помощью Python | ⬜ |
| Статья: Множество утилит командной строки Python | ⬜ |
| Статья: Введение в Unicode для программиста | ⬜ |
| Статья: Введение в профилирование памяти в Python | ✅ |
| Статья: Профилирование кода Python с помощью Memory_profiler | ✅ |
| Статья: Как использовать «memory_profiler» для профилирования использования памяти кодом Python? | ✅ |
Структуры данных и алгоритмы
| Ресурс | Прогресс |
|---|
| Книга: Алгоритмы гроккинга. | ✅ |
| Книга: Техническое резюме наизнанку. | ✅ |
| Neetcode: алгоритмы и структуры данных для начинающих | ✅ |
| Udacity: введение в структуры данных и алгоритмы | ✅ |
Linux и командная строка
| Ресурс | Прогресс |
|---|
| Datacamp: введение в Shell для науки о данных | ✅ |
| Datacamp: введение в сценарии Bash | ✅ |
| Datacamp: обработка данных в Shell | ✅ |
| Массачусетский технологический институт: Пропавший семестр | ✅ |
| Udacity: основы командной строки Linux | ✅ |
| Udacity: Мастерская оболочки | ✅ |
| Udacity: настройка веб-серверов Linux | ✅ |
Контроль версий
| Ресурс | Прогресс |
|---|
| Udacity: контроль версий с помощью Git | ✅ |
| Datacamp: введение в Git для науки о данных | ✅ |
| Udacity: GitHub и сотрудничество | ✅ |
| Udacity: как использовать Git и GitHub | ✅ |
Базы данных
| Ресурс | Прогресс |
|---|
| Udacity: введение в реляционную базу данных | ✅ |
| Udacity: концепции и проектирование систем баз данных | ⬜ |
| Datacamp: Проектирование базы данных | ⬜ |
| Datacamp: введение в базы данных на Python | ⬜ |
| Datacamp: введение в SQL для науки о данных | ✅ |
| Datacamp: средний уровень SQL | ⬜ |
| Datacamp: объединение данных в PostgreSQL | ⬜ |
| Udacity: SQL для анализа данных | ⬜ |
| Datacamp: исследовательский анализ данных в SQL | ⬜ |
| Datacamp: применение SQL для решения реальных проблем | ⬜ |
| Datacamp: анализ бизнес-данных с помощью SQL | ⬜ |
| Datacamp: отчеты на SQL | ⬜ |
| Datacamp: принятие решений на основе данных в SQL | ⬜ |
| Datacamp: концепции NoSQL | ⬜ |
| Datacamp: введение в MongoDB на Python | ⬜ |
Бэкэнд-инжиниринг
| Ресурс | Прогресс |
|---|
| Udacity: Аутентификация и авторизация: OAuth | ⬜ |
| Udacity: HTTP и веб-серверы | ⬜ |
| Udacity: взаимодействие клиент-сервер | ⬜ |
| Udacity: проектирование RESTful API | ⬜ |
| Datacamp: введение в API в Python | ⬜ |
| Udacity: сеть для веб-разработчиков | ⬜ |
Проектирование производственной системы
| Ресурс | Прогресс |
|---|
| Книга: Проектирование систем машинного обучения | ✅ |
| Neetcode: проектирование системы для начинающих | ✅ |
| Neetcode: Интервью по проектированию системы | ✅ |
| Datacamp: аналитика клиентов и A/B-тестирование на Python | ✅ |
| Datacamp: A/B-тестирование на Python | ⬜ |
| Udacity: A/B-тестирование | ⬜ |
| Datacamp: концепции MLOps | ✅ |
| Datacamp: концепции мониторинга машинного обучения | ✅ |
Математика
| Ресурс | Прогресс |
|---|
| Datacamp: основы теории вероятностей в Python | ✅ |
| Datacamp: Введение в статистику | ✅ |
| Datacamp: введение в статистику на Python | ✅ |
| Datacamp: проверка гипотез на Python | ✅ |
| Datacamp: статистическое мышление в Python (часть 1) | ✅ |
| Datacamp: статистическое мышление в Python (часть 2) | ✅ |
| Datacamp: экспериментальный дизайн на Python | ✅ |
| Datacamp: отработка вопросов для интервью по статистике на Python | ⬜ |
| edX: основная статистика для анализа данных с использованием Excel | ✅ |
| Udacity: введение в инференциальную статистику | ✅ |
| Массачусетский технологический институт 18.06 Линейная алгебра, весна 2005 г. | ✅ |
| Udacity: собственные векторы и собственные значения | ✅ |
| Udacity: курс повышения квалификации по линейной алгебре | ⬜ |
| Youtube: Сущность линейной алгебры | ⬜ |
Базовые знания фронтенда
HTML
| Ресурс | Прогресс |
|---|
| Codecademy: Изучите HTML | ✅ |
| Codecademy: создайте сайт | ✅ |
| Статья: Альтернативный текст | ⬜ |
CSS
| Ресурс | Прогресс |
|---|
| Pluralsight: позиционирование CSS | ✅ |
| Pluralsight: введение в CSS | ✅ |
| Pluralsight: CSS: специфичность, блочная модель и лучшие практики | ✅ |
| Pluralsight: CSS: использование Flexbox для макета | ✅ |
| Школа кода: взрыв с помощью Bootstrap | ✅ |
| Pluralsight: основы UX | ✅ |
| Codecademy: изучите SASS | ✅ |
| CSS для разработчиков Javascript | ✅ |
| Статья: Создайте иллюстрацию в дизайне Figma | ✅ |
| Книга: Рефакторинг пользовательского интерфейса. | ⬜ |
| Youtube: Как сделать ваш сайт не уродливым: базовый UX для программистов | ⬜ |
JavaScript
| Ресурс | Прогресс |
|---|
| Udacity: ES6 — улучшен JavaScript | ✅ |
| Udacity: введение в Javascript | ✅ |
| Udacity: объектно-ориентированный JS 1 | ✅ |
| Udacity: объектно-ориентированный JS 2 | ✅ |
| Udemy: понимание машинописного текста | ✅ |
| Codecademy: Изучите JavaScript | ✅ |
| Codecademy: трек JQuery | ✅ |
| Pluralsight: использование инструментов разработчика Chrome | ✅ |
Специализированные темы
Машинное обучение
| Ресурс | Прогресс |
|---|
| Статья: Обзор алгоритмов оптимизации градиентного спуска | ✅ |
| Книга: Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow, 2-е издание. | ⬜ |
| Книга: Учебник по машинному обучению | ✅ |
| Книга: Создайте свою собственную нейронную сеть | ✅ |
| Книга: Машинное обучение Гроккинга. | ✅ |
| Книга: Иллюстрированное руководство StatQuest по машинному обучению. | ✅ |
| Fast.ai: Практическое глубокое обучение для программиста (часть 1) | ✅ |
| Fast.ai: Практическое глубокое обучение для программистов (часть 2) | ⬜ |
| Datacamp: ансамблевые методы в Python | ✅ |
| Datacamp: экстремальное повышение градиента с помощью XGBoost | ⬜ |
| Datacamp: методы кластеризации с помощью SciPy | ✅ |
| Datacamp: обучение Python без учителя | ✅ |
| Udacity: сегментация и кластеризация | ✅ |
| Datacamp: введение в Python для науки о данных | ✅ |
| edX: реализация прогнозной аналитики с помощью Spark в Azure HDInsight | ✅ |
| Datacamp: контролируемое обучение с помощью scikit-learn | ✅ |
| Datacamp: машинное обучение с использованием древовидных моделей на Python | ✅ |
| Datacamp: линейные классификаторы в Python | ✅ |
| Datacamp: сверточные нейронные сети для обработки изображений | ✅ |
| Datacamp: проверка модели на Python | ✅ |
| Datacamp: настройка гиперпараметров в Python | ✅ |
| Datacamp: HR-аналитика на Python: прогнозирование оттока сотрудников | ✅ |
| Datacamp: прогнозирование оттока клиентов с помощью Python | ✅ |
| Datacamp: уменьшение размерности в Python | ✅ |
| Datacamp: предварительная обработка для машинного обучения на Python | ✅ |
| Datacamp: типы данных для науки о данных | ✅ |
| Datacamp: очистка данных в Python | ✅ |
| Datacamp: разработка функций для машинного обучения в Python | ✅ |
| Datacamp: прогнозирование CTR с помощью машинного обучения на Python | ✅ |
| Datacamp: введение в финансовые концепции с использованием Python | ✅ |
| Datacamp: обнаружение мошенничества в Python | ✅ |
| Карпаты: Нейронные сети: от нуля до героя | ✅ |
| Статья: Инициализация веса в нейронных сетях: путь от основ к каймингу | ⬜ |
Обработка естественного языка
| Ресурс | Прогресс |
|---|
| Книга: Обработка естественного языка с помощью преобразователей | ✅ |
| Стэнфорд CS224U: Понимание естественного языка | Весна 2019 г. | ✅ |
| Стэнфорд CS224N: Стэнфорд CS224N: НЛП с глубоким обучением | Зима 2019 | ✅ |
| CMU: Учебный курс по НЛП с низкими ресурсами 2020 | ✅ |
| КМУ Многоязычное НЛП 2020 | ✅ |
| Datacamp: разработка функций для NLP в Python | ✅ |
| Datacamp: основы обработки естественного языка в Python | ✅ |
| Datacamp: регулярные выражения в Python | ✅ |
| Datacamp: RNN для языкового моделирования | ✅ |
| Datacamp: генерация естественного языка в Python | ✅ |
| Datacamp: создание чат-ботов на Python | ✅ |
| Datacamp: анализ настроений в Python | ✅ |
| Datacamp: машинный перевод на Python | ✅ |
| Статья: Необоснованная эффективность словосочетаний | ⬜ |
| Статья: FuzzyWuzzy: нечеткое сопоставление строк в Python | ✅ |
| Статья: Объяснение Мамбы | ⬜ |
| Статья: Визуальное руководство по Мамбе и космическим моделям состояний | ⬜ |
| Статья: Основы квантования с обнимающимся лицом | ✅ |
Генеративный ИИ
LLM Теория
| Ресурс | Прогресс |
|---|
| Статья: SolidGoldMagikarp (плюс генерация подсказок) | ⬜ |
| DeepLearning.AI: предварительное обучение студентов LLM | ✅ |
| DeepLearning.AI: как работают диффузионные модели | ⬜ |
Карпати: введение в большие языковые модели [ 1hr ] | ✅ |
Карпати: Давайте создадим токенизатор GPT [ 2hr13m ] | ✅ |
Карпаты: Воспроизведем ГПТ-2 (124М) [ 4hr1m ] | ⬜ |
Youtube: Руководство для хакеров по языковым моделям [ 1hr30m ] | ✅ |
| Youtube: 5 лет GPT с Finbarr Timbers | ⬜ |
| Статья: Выборка для генерации текста | ⬜ |
| DeepLearning.AI: обучение с подкреплением на основе отзывов людей | ✅ |
Youtube: Объяснение LLaMA: KV-Cache, ротационно-позиционное встраивание, норма RMS, внимание к групповым запросам, SwiGLU [ 1h10m ] | ⬜ |
Информационный поиск/РАГ
| Ресурс | Прогресс |
|---|
| Предварительно обученные языковые модели Transformer для поиска. Часть 1. | ⬜ |
| Предварительно обученные языковые модели Transformer для поиска. Часть 2. | ⬜ |
| Предварительно обученные языковые модели Transformer для поиска. Часть 3. | ⬜ |
| Предварительно обученные языковые модели Transformer для поиска. Часть 4. | ⬜ |
| Понимание индекса IVF-PQ LanceDB | ⬜ |
| Небольшое объединение имеет большое значение для многовекторных представлений. | ✅ |
| Курс по полнофункциональному поиску | |
| Статья: Уровни сложности: приложения RAG | ✅ |
| Статья: Систематическое улучшение вашей RAG | ⬜ |
| Статья: Прекратите использовать LGTM@Few в качестве метрики (Better RAG) | ⬜ |
| Статья: Легко висящие плоды для поиска RAG | ⬜ |
| Статья: Что инженеры искусственного интеллекта должны знать о поиске | ✅ |
| Статья: Оценка стратегий разбиения на части для извлечения данных | ⬜ |
| Статья: Встраивание предложений. Введение в встраивание предложений | ⬜ |
| DeepLearning.AI: создание и оценка передовых приложений RAG | ✅ |
| DeepLearning.AI: Векторные базы данных: от встраивания к приложениям | ✅ |
| DeepLearning.AI: расширенный поиск для ИИ с Chroma | ✅ |
| DeepLearning.AI: оперативное сжатие и оптимизация запросов | ✅ |
DeepLearning.AI: большие языковые модели с семантическим поиском [ 1hr ] | ✅ |
| DeepLearning.AI: создание приложений с использованием векторных баз данных | ✅ |
| DeepLearning.AI: создание мультимодального поиска и RAG | ⬜ |
| DeepLearning.AI: графики знаний для RAG | ⬜ |
| DeepLearning.AI: функции, инструменты и агенты с LangChain | ⬜ |
| DeepLearning.AI: создание агентного RAG с помощью LlamaIndex | ⬜ |
| DeepLearning.AI: Мультиагентные системы искусственного интеллекта с экипажем AI | ⬜ |
| DeepLearning.AI: Шаблоны агентного проектирования ИИ с AutoGen | ⬜ |
| DeepLearning.AI: ИИ-агенты в LangGraph | ⬜ |
| DeepLearning.AI: создание собственного агента базы данных | ⬜ |
| DeepLearning.AI: предварительная обработка неструктурированных данных для приложений LLM | ⬜ |
| DeepLearning.AI: Встраивание моделей: от архитектуры к реализации | ✅ |
| Сосновая шишка: векторные базы данных для занятых инженеров | ⬜ |
| Сосновая шишка: поиск дополненной генерации | ⬜ |
| Сосновая шишка: Справочник LangChain AI | ⬜ |
| Сосновая шишка: методы внедрения для поиска изображений | ⬜ |
| Сосновая шишка: Фейсс: недостающее руководство | ⬜ |
| Сосновая шишка: поиск вектора в дикой природе | ⬜ |
| Сосновая шишка: обработка естественного языка для семантического поиска | ⬜ |
| Youtube: Систематическое улучшение приложений RAG | ✅ |
| Youtube: Назад к основам для RAG с Джо Бергумом | ✅ |
| Youtube: За пределами основ поиска для увеличения генерации (с Беном Клави) | ✅ |
| Youtube: ТРЯПКА с нуля | 0/14 |
| Статья: Подробно о LambdaMART | ⬜ |
| Статья: Управляемая генерация с контурами | ✅ |
Оперативное проектирование
| Ресурс | Прогресс |
|---|
| Статья: Быстрое проектирование OpenAI | ⬜ |
| Статья: Основы подсказок и как их эффективно применять | ✅ |
| Антропные курсы | ⬜ |
| Статья: Оперативное проектирование (Лилиан Венг) | ✅ |
| Статья: Prompt Engineering 201: Передовые методы и инструменты | ✅ |
| Статья: Оптимизация LLM для повышения точности | ✅ |
| Статья: Праймеры • Оперативное проектирование | ⬜ |
| Статья: Конечные точки Anyscale: режим JSON и функции вызова функций | ⬜ |
| Статья: Управляемое создание текста с помощью больших языковых моделей | ⬜ |
| Статья: Альтернативы видения GPT-4 | ⬜ |
| DeepLearning.AI: быстрое проектирование ChatGPT для разработчиков | ⬜ |
| DeepLearning.AI: оперативное проектирование моделей машинного зрения | ⬜ |
| DeepLearning.AI: оперативное проектирование с помощью Llama 2 и 3 | ⬜ |
| Wandb: LLM Engineering: структурированные результаты | ⬜ |
| DeepLearning.AI: вызов функций и извлечение данных с помощью LLM | ⬜ |
| Серия: Оперативная инъекция | ⬜ |
Youtube: Быстрый инженерный обзор [ 1hr4m ] | ✅ |
| Youtube: Структурированная генерация с помощью LLM | ⬜ |
LLMOps
| Ресурс | Прогресс |
|---|
| Статья: Шаблоны для создания систем и продуктов на основе LLM | ✅ |
| Статья: Новые архитектуры для приложений LLM | ✅ |
| Статья: Как ускорить процесс LLM | ⬜ |
| Статья: На быстрой полосе! Спекулятивное декодирование — модель в 10 раз больше, без дополнительных затрат | ⬜ |
| Статья: Гармонизация нескольких графических процессоров: эффективное масштабирование вывода LLM | ⬜ |
| Статья: Внимание к множественным запросам — это все, что вам нужно | ⬜ |
| Статья: Набор инструментов для оптимизации вывода трансформаторов | ⬜ |
| DeepLearning.AI: эффективное обслуживание студентов LLM | ✅ |
| DeepLearning.AI: автоматическое тестирование LLMOps | ✅ |
| DeepLearning.AI: Приложения LLM Red Teaming | ✅ |
| DeepLearning.AI: оценка и отладка генеративных моделей ИИ с использованием весов и смещений | ⬜ |
| DeepLearning.AI: качество и безопасность приложений LLM | ⬜ |
| DeepLearning.AI: LLMOps | ⬜ |
| DeepLearning.AI: бессерверные приложения LLM с Amazon Bedrock | ⬜ |
| DeepLearning.AI: углубленное квантование | ⬜ |
| DeepLearning.AI: введение в искусственный интеллект на устройстве | ⬜ |
| Статья: Визуальное руководство по квантованию | ⬜ |
| Статья: QLoRA и 4-битное квантование | ⬜ |
| Статья: Понимание квантования AI/LLM посредством интерактивной визуализации | ⬜ |
| Статья: Серия LLM Inference: 3. Объяснение кэширования KV | ⬜ |
| Статья: Серия LLM Inference: 4. Кэширование KV, более глубокий взгляд | ⬜ |
| Статья: Серия LLM Inference: 5. Анализ производительности модели | ⬜ |
| Youtube: SBTB 2023: Чарльз Фрай, Параллельные процессоры: прошлые и будущие связи между LLM и ядрами ОС | ⬜ |
| Статья: Арифметика вывода трансформатора | ⬜ |
Создание систем на основе LLM
| Ресурс | Прогресс |
|---|
| Статья: Чему мы научились за год строительства с магистратурой | ⬜ |
| Статья: Как генерировать и использовать синтетические данные для точной настройки | ✅ |
| Статья: Ваш продукт искусственного интеллекта нуждается в оценке | ✅ |
| Статья: Оценки LLM для конкретных задач, которые работают и не работают | ✅ |
| Статья: Маховики данных для приложений LLM | ⬜ |
| Статья: LLM с окопов: 10 уроков, извлеченных из эксплуатации моделей в GoDaddy | ✅ |
| Статья: Оценка и обнаружение галлюцинаций для абстрактных изложений | ✅ |
| Статья: Новые шаблоны UX для приложений с генеративным искусственным интеллектом и вторых пилотов | ✅ |
| Статья: Руководство по обучению LLM для новичков | ⬜ |
| Статья: Расширение возможностей поддержки структурированных данных ChatGPT до предела | ✅ |
| Статья: GPTed: использование GPT-3 для проверки семантики | ✅ |
| Статья: Не беспокойтесь о LLM | ⬜ |
| DeepLearning.AI: точная настройка больших языковых моделей | ✅ |
| DeepLearning.AI: создание систем с помощью ChatGPT API | ⬜ |
| DeepLearning.AI: LangChain для разработки приложений LLM | ⬜ |
| DeepLearning.AI: LangChain: общайтесь с вашими данными | ⬜ |
| DeepLearning.AI: создание приложений генеративного искусственного интеллекта с помощью Gradio | ✅ |
| DeepLearning.AI: модели с открытым исходным кодом и обнимающим лицом | ⬜ |
| DeepLearning.AI: Начало работы с Mistral | ⬜ |
| Datacamp: Разработка приложений LLM с помощью LangChain | ⬜ |
| LLMOps: строительство с помощью LLM | ⬜ |
| Учебный курс LLM – весна 2023 г. | ✅ |
| Youtube: обзор методов повышения эффективности LLM | ✅ |
| Youtube: Строительные блоки для систем и продуктов LLM: Юджин Ян | ✅ |
| Youtube: Точная настройка моделей OpenAI — лучшие практики | ✅ |
| Youtube: Курс: LLM Fine-Tuning с Аксолотлем | 0/4 |
| Youtube: Тонкая настройка LLM | 1/5 |
| Youtube: LLM Evals | 0/5 |
| Youtube: Создание приложений LLM | 0/8 |
Технические навыки (библиотеки/фреймворки/инструменты)
АВС
| Ресурс | Прогресс |
|---|
| Udemy: сертифицированный разработчик AWS – партнер 2018 г. | ✅ |
Джанго
| Ресурс | Прогресс |
|---|
| Статья: Django, HTMX и Alpine.js: современные веб-сайты, JavaScript необязательно | ✅ |
Матплотлиб
| Ресурс | Прогресс |
|---|
| Datacamp: Знакомство с Seaborn | ✅ |
| Datacamp: введение в Matplotlib | ✅ |
МЛФлоу
| Ресурс | Прогресс |
|---|
| Datacamp: введение в MLFlow | ✅ |
Next.JS
| Ресурс | Прогресс |
|---|
| Документы: начните создавать с помощью Next.js | |
Панды
| Ресурс | Прогресс |
|---|
| Datacamp: Фонды Pandas | ✅ |
| Datacamp: Pandas присоединяется для пользователей электронных таблиц | ✅ |
| Datacamp: манипулирование DataFrames с помощью pandas | ✅ |
| Datacamp: объединение DataFrames с pandas | ✅ |
| Datacamp: манипулирование данными с помощью pandas | ✅ |
| Datacamp: оптимизация кода Python с помощью pandas | ✅ |
| Datacamp: оптимизированный прием данных с помощью pandas | ✅ |
| Datacamp: анализ маркетинговых кампаний с помощью панд | ✅ |
| Datacamp: анализ деятельности полиции с помощью панд | ✅ |
PyTorch
| Ресурс | Прогресс |
|---|
| Статья: Внутреннее устройство PyTorch | ⬜ |
| Статья: Принимайте PyTorch как должное | ⬜ |
| Datacamp: введение в глубокое обучение с помощью PyTorch | ✅ |
| Datacamp: глубокое обучение среднего уровня с PyTorch | ⬜ |
| Datacamp: глубокое обучение тексту с помощью PyTorch | ⬜ |
| Datacamp: глубокое обучение изображений с помощью PyTorch | ⬜ |
| Deeplizard: программирование нейронных сетей — глубокое обучение с PyTorch | ✅ |
РеактJS
| Ресурс | Прогресс |
|---|
| Codecademy: изучение ReactJS: часть I | ✅ |
| Codecademy: изучение ReactJS: часть II | ✅ |
| NexxtJS: Основы React | ⬜ |
Просторный
| Ресурс | Прогресс |
|---|
| Datacamp: Продвинутое НЛП с SpaCy | ✅ |
Тензорный поток и Керас
| Ресурс | Прогресс |
|---|
| Datacamp: введение в TensorFlow в Python | ✅ |
| Datacamp: глубокое обучение Python | ✅ |
| Datacamp: введение в глубокое обучение с помощью Keras | ✅ |
| Datacamp: расширенное глубокое обучение с Keras | ✅ |
| Deeplizard: Keras — API нейронной сети глубокого обучения Python | ✅ |
| Udacity: введение в TensorFlow для глубокого обучения | ✅ |
