Szkolenie Uczenie maszynowe z TensorFlow
Poziom
ŚredniozaawansowanyCzas
24h / 3 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie Uczenie maszynowe z TensorFlow
Szkolenie „Uczenie maszynowe z TensorFlow” to intensywny kurs, dzięki któremu poznasz najważniejsze narzędzia i techniki wykorzystywane w pracy z jedną z najpopularniejszych platform uczenia maszynowego. Praktyczna formuła warsztatów (80% ćwiczeń, 20% teorii) pozwoli Ci szybko zacząć budować, trenować i optymalizować modele ML, które sprawdzają się w analizie danych, przetwarzaniu obrazów czy automatyzacji zadań biznesowych. Kurs to doskonały wybór dla osób, które chcą wejść na wyższy poziom analizy danych z wykorzystaniem TensorFlo
Dla kogo jest to szkolenie?
Programistów oraz analityków danych, którzy chcą samodzielnie trenować, oceniać i iterować modele ML w TensorFlow/Keras-
Osób ze znajomością Pythona (typy danych, funkcje, praca z NumPy/Pandas), zainteresowanych wykorzystaniem TensorFlow w praktyce
-
Specjalistów IT rozwijających rozwiązania oparte o analitykę danych i automatyzację procesów (na poziomie prototypów i PoC)
-
Studentów oraz entuzjastów z podstawami ML, chcących rozwijać kompetencje w obszarze uczenia maszynowego
Czego nauczysz się na szkoleniu?
- Zbudujesz i wytrenujesz modele regresji oraz klasyfikacji w TensorFlow/Keras, dobierając funkcję straty i optymalizator
- Przygotujesz dane do uczenia: czyszczenie, eksploracja, podział train/val/test, podstawy pracy z tf.data oraz augmentacja
- Skonfigurujesz i porównasz eksperymenty w TensorBoard (metryki, przebiegi uczenia, monitoring overfittingu)
- Zastosujesz techniki poprawy jakości modeli: regularyzacja, dropout, batch normalization, early stopping oraz strojenie hiperparametrów
- Wykorzystasz transfer learning oraz podejścia oparte o CNN i RNN w typowych zadaniach (obrazy, sekwencje), z uwzględnieniem ograniczeń metody
- Przeprowadzisz interpretację wyników i analizę błędów oraz przygotujesz model do użycia w aplikacji na poziomie prototypu (eksport SavedModel / TFLite), z omówieniem podstaw odpowiedzialnego AI
Program szkolenia
Dzień 1: Wstęp do uczenia maszynowego i TensorFlow
Moduł 1: Podstawy uczenia maszynowego z TensorFlow
- Wprowadzenie do ekosystemu TensorFlow 2.x: instalacja, architektura, API Keras, tryb eager
- Przegląd rodzajów uczenia maszynowego i głębokiego uczenia (nadzorowane, nienadzorowane, uczenie głębokie)
- Konstrukcja sztucznych sieci neuronowych oraz podstawy optymalizacji funkcji celu (funkcje straty, gradient, optymalizatory)
Moduł 2: Przygotowanie i analiza danych
- Przetwarzanie, czyszczenie i eksploracja danych w Pandas oraz TensorFlow (tf.data)
- Metody wizualizacji danych i przygotowanie zbiorów train/val/test, kontrola data leakage
- Techniki augmentacji danych i zarządzanie pipeline’em treningowym (batching, shuffle, cache, ziarna losowości)
Dzień 2: Budowa, trening i ewaluacja modeli
Moduł 3: Tworzenie modeli uczenia maszynowego
- Budowa modeli regresyjnych i klasyfikacyjnych w TensorFlow/Keras (Sequential, Functional API)
- Implementacja warstw neuronowych, dobór funkcji straty i optymalizatorów, strojenie hiperparametrów
- Metody poprawy jakości modeli, w tym dobór hiperparametrów, regularyzacja, dropout, batch normalization i early stopping
Moduł 4: Walidacja i interpretacja wyników
- Techniki oceny skuteczności modeli: podział na zbiory testowe, metryki jakości, raportowanie w TensorBoard
- Wizualizacja historii uczenia i interpretowalność modelu, analiza błędów oraz debugowanie procesu uczenia
Dzień 3: Projekty praktyczne i zastosowania
Moduł 5: Praktyka projektowa i case studies
- Rozwiązywanie realnych problemów z użyciem TensorFlow (np. analiza obrazów, klasyfikacja tekstu)
- Wykorzystanie modeli wstępnie wytrenowanych (transfer learning) do szybkiego budowania skutecznych rozwiązań
- Przykłady zastosowań: analiza obrazów, przetwarzanie języka naturalnego i predykcje szeregów czasowych
- Zespołowa praca warsztatowa: od przygotowania danych po ewaluację, eksport modelu i przygotowanie inferencji (prototyp)
Moduł 6: Najnowsze trendy i rozwój kompetencji
- Automatyzacja trenowania modeli, transfer learning, powtarzalność eksperymentów, podstawy monitorowania jakości modeli
- Przegląd trendów AI oraz ścieżki rozwoju kompetencji w uczeniu maszynowym
