Szkolenie Deep Learning wprowadzenie
Poziom
ŚredniozaawansowanyCzas
40h / 5 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie z Wprowadzenia do Deep Learning
Deep Learning to jeden z puzzli wielkiej układanki zwanej uczeniem maszynowym. Machine Learning bazuje na sztucznych sieciach neuronowych i tworzy algorytmy, które naśladują działanie ludzkiego mózgu. Ale chcemy wchodzić w to jeszcze bardziej i jeszcze głębiej – i tu na scenę wkracza Deep Learning. Mamy dziś dostęp do niezliczonej ilości danych – social media, wyszukiwarki internetowe, platformy e-commerce, serwisy streamingowe, takiej jak HBO czy Netflix – to wszystko kopalnie danych. A górników brakuje!
Dla kogo jest szkolenie Wprowadzenie do Deep Learning?
Dla osób, które znają podstawy uczenia maszynowego i chcą wejść w Deep Learning (sieci neuronowe, trenowanie, metryki, praktyka w TensorFlow/tf.keras) w ustrukturyzowanej, warsztatowej formie.
Dla programistów, analityków danych, analityków biznesowych, marketerów, designerów i osób pracujących z danymi, które chcą rozumieć możliwości i ograniczenia DL oraz potrafić zbudować i ocenić podstawowy model; wymagane są: podstawy Pythona, praca na tablicach (np. NumPy) oraz elementarne pojęcia z algebry liniowej i statystyki.
Czego nauczysz się na szkoleniu wprowadzenie do Deep Learning?
- Podstaw Deep Learningu: kluczowe pojęcia, typy problemów i miejsce DL w ekosystemie uczenia maszynowego.
- Doboru podejścia i środowiska obliczeniowego: CPU/GPU oraz podstawy pracy w środowisku lokalnym i w chmurze.
- Pracy w TensorFlow: podstawy struktury, typów danych i operacji, w tym GradientTape oraz optymalizacji z użyciem SGD.
- Budowy modeli w tf.keras: definicje warstw i modeli, konfiguracja trenowania oraz praktyczne wzorce konstrukcji sieci.
- Zbudowania i uruchomienia sieci fully connected dla prostego zadania oraz przygotowania danych wejściowych pod model.
- Oceny jakości modeli: dobór metryk, walidacja, analiza przeuczenia oraz podstawy strojenia hiperparametrów i architektury.
- Zastosowania technik usprawniających i utrzymaniowych: regularizacja, TensorBoard i diagnostyka, callbacki (np. early stopping, checkpointy) oraz serializacja i odtwarzalność modeli.
Program szkolenia
Wstęp
- Rodzaje uczenia głębokiego (nadzorowane, nienadzorowane, samonadzorowane, transfer learning)
- Możliwości i ograniczenia uczenia głębokiego (zastosowania, wymagania danych, ryzyka i bias)
- Platforma sprzętowa oraz środowisko programistyczne (CPU/GPU, biblioteki, środowiska uruchomieniowe)
- Możliwości wykorzystania chmury obliczeniowej (GPU/TPU, notebooki, koszty i podstawy bezpieczeństwa danych)
- TensorFlow – podstawy (paradygmat pracy, podstawowe komponenty)
- Struktura (eager/graph, graf obliczeń, organizacja kodu)
- Typy danych (Tensor, dtype, shape, broadcasting)
- Operacje na danych (podstawowe transformacje, pipeline tf.data, batching)
- Gradient Tape (automatyczne różniczkowanie, pochodne, debugowanie gradientów)
- SGD (optymalizacja, learning rate, podstawy stabilności trenowania)
Sztuczna sieć neuronowa z zastosowaniem tf.keras
- Teoria oraz inspiracja (intuicja uczenia, funkcje aktywacji, funkcja straty)
- Neuron (wejścia, wagi, bias, aktywacja)
- Warstwy (Dense i podstawowe warstwy, kompozycja warstw)
- Elastyczność sztucznych sieci neuronowych (parametryzacja, złożoność, kompromisy)
- Rodzaje modeli sztucznych sieci neuronowych (Sequential, Functional, subclassing – przegląd)
Modelowanie
- Budowa sieci fully connected w tf.keras (definicja, compile, fit, predykcja)
- Rozwiązanie „prostego” problemu (klasyfikacja/regresja, przygotowanie danych)
- Analiza jakości modelu (metryki, walidacja, overfitting/underfitting, data leakage)
- Strojenie hiperparametrów modelu (learning rate, batch size, architektura, early stopping)
Rozszerzenie
- Budowa niskopoziomowa sieci (pętle treningowe, własny krok uczenia)
- Regularyzacja (dropout, L1/L2, normalizacja, augmentacja – przegląd)
- TensorBoard (monitorowanie treningu, metryki, wizualizacje, śledzenie eksperymentów)
- Analiza parametrów modelu (wagi/gradienty, diagnostyka, interpretacja zachowania)
- Callbacki TensorFlow (checkpointy, early stopping, scheduler, logowanie)
- Serializacja i wersjonowanie modeli (zapis/odczyt, artefakty, odtwarzalność)
Pobierz program
Pobierz szczegółowy program w PDF, żeby dowiedzieć się więcej o godzinach i tematach zajęć.
