модул #1 Въведение в Deep Learning Преглед на дълбокото обучение, история и приложения
модул #2 Математически предварителни изисквания Преглед на линейната алгебра, смятане и теория на вероятностите
модул #3 Основи на невронните мрежи Въведение към изкуствени невронни мрежи, перцептрони и многослойни персептрони
модул #4 Функции за активиране и обратно разпространение Функции за активиране, обратно разпространение и градиентно спускане
модул #5 Изграждане и обучение на невронни мрежи Практичен опит с изграждане и обучение на невронни мрежи с помощта на рамка за задълбочено обучение
модул #6 Конволюционни невронни мрежи (CNN) Въведение в CNN, конволюционни слоеве и обединени слоеве
модул #7 Архитектури на CNN AlexNet, VGGNet, GoogLeNet и ResNet архитектури
модул #8 Прехвърляне на обучение и фина настройка Използване на предварително обучени CNN модели и фина настройка за задачи за класификация на изображения
модул #9 Повтарящи се невронни мрежи (RNN) Въведение в RNN, прости RNN, и LSTM мрежи
модул #10 RNN архитектури GRU, двупосочни RNN и модели енкодер-декодер
модул #11 Модели от последователност към последователност Машинен превод, чатботове и модели от последователност към последователност
модул #12 Генеративни модели Въведение в генеративните модели, GAN и VAE
модул #13 Автокодери и вариационни автоенкодери Намаляване на размерността, автоенкодери и VAE
