Szkolenie z PyTorch
Poziom
ŚredniozaawansowanyCzas
16h / 2 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie z PyTorch
Szkolenie PyTorch to intensywny, dwudniowy kurs, który w 80% opiera się na praktycznych warsztatach, a w 20% na teorii. Kurs jest zaprojektowany tak, aby uczestnicy zdobyli solidne podstawy teoretyczne oraz praktyczne umiejętności w korzystaniu z PyTorch – jednego z najpopularniejszych frameworków do uczenia maszynowego. Podczas szkolenia uczestnicy będą mieli okazję pracować na rzeczywistych danych, budować i trenować modele oraz wdrażać je w środowisku produkcyjnym.
Dla kogo jest to szkolenie?
Programistów i inżynierów danych, którzy chcą poszerzyć swoje umiejętności o PyTorch-
Data scientistów pragnących zastosować PyTorch w swoich projektach
-
Entuzjastów sztucznej inteligencji i uczenia maszynowego chcących rozpocząć pracę z PyTorch
Wymagane umiejętności technologiczne:
Znajomość podstaw programowania w Pythonie-
Podstawowa wiedza z zakresu uczenia maszynowego
-
Umiejętność pracy w środowisku Jupyter Notebook lub Google Colab
Czego nauczysz się na tym szkoleniu?
- Jak zainstalować i skonfigurować PyTorch oraz zweryfikować środowisko (CPU/GPU) i zależności pod kątem powtarzalności uruchomień
- Jak budować, trenować i porównywać modele w PyTorch, z użyciem właściwych metryk oraz walidacji (train/val/test, podstawy CV)
- Jak implementować i trenować sieci neuronowe, w tym CNN i RNN, oraz dobierać podstawowe techniki regularyzacji i optymalizacji
- Jak przygotować artefakty modelu PyTorch do uruchomienia inferencji (eksport, format, kompatybilność) oraz rozpoznać typowe ryzyka jakości (data leakage, drift, bias)
Program szkolenia
Dzień 1: Wprowadzenie do PyTorch i podstawy uczenia maszynowego
Wprowadzenie do PyTorch
- Historia i rozwój PyTorch
- Architektura i główne komponenty (tensor, moduł, autograd, device)
Instalacja i konfiguracja środowiska
- Instalacja PyTorch i niezbędnych zależności (CPU/GPU, wersje, zgodność)
- Konfiguracja środowiska pracy (Jupyter Notebook, Google Colab) i podstawy reprodukowalności
Podstawy PyTorch
- Operacje na tensorach, autograd i grafy obliczeniowe (eager, torch.compile – przegląd)
- Budowa prostych modeli i podstawowa pętla treningowa (train/val, metryki)
Warsztat: Tworzenie pierwszego modelu
- Budowa modelu liniowego w PyTorch
- Trening i ewaluacja modelu na danych rzeczywistych (podział danych, metryki, interpretacja)
Dzień 2: Zaawansowane techniki i praktyczne zastosowania
Zaawansowane modele w PyTorch
- Sieci neuronowe i ich architektura (warstwy, funkcje aktywacji, funkcje straty)
- Implementacja i trening sieci konwolucyjnych (CNN) oraz rekurencyjnych (RNN)
Optymalizacja modelu i fine-tuning
- Techniki optymalizacji i regularyzacji (scheduler, early stopping, weight decay, mixed precision – przegląd)
- Fine-tuning pretrenowanych modeli w PyTorch (transfer learning, zamrażanie warstw)
Warsztat: Tworzenie modelu klasyfikacji obrazów
- Przygotowanie i przetwarzanie danych obrazowych (augmentacja, DataLoader, normalizacja)
- Implementacja i trening modelu CNN do klasyfikacji obrazów (walidacja, analiza błędów)
Deployowanie modeli PyTorch
- Eksport modeli i przygotowanie do uruchomienia (TorchScript/ONNX, podpisy wejść/wyjść)
- Aspekty uruchomienia modeli w środowisku produkcyjnym (wydajność, wersjonowanie, monitoring jakości)
