Projektujesz nowoczesne sieci - Nauczysz się budować i trenować modele deep learning od podstaw, rozumiejąc tensory, gradienty i backpropagation, dzięki czemu samodzielnie zaprojektujesz skuteczne architektury.
Kodujesz w PyTorch i TensorFlow - Przełożysz teorię na praktykę, implementując modele w PyTorch i TensorFlow na przykładach biznesowych, co pozwoli Ci szybciej wdrażać rozwiązania do realnych zadań.
Tworzysz systemy wizyjne - Poznasz CNN, transfer learning oraz detekcję obiektów z YOLO i Faster R-CNN, dzięki czemu przygotujesz systemy kontroli jakości i automatycznej inspekcji produktów.
Analizujesz dane sekwencyjne - Opanujesz RNN, LSTM i GRU do pracy z sekwencjami oraz szeregami czasowymi, więc będziesz przewidywać trendy rynkowe, popyt i sygnały awarii na podstawie danych.
Wdrażasz modele językowe - Zrozumiesz architekturę Transformer oraz pracę z BERT i GPT, a także wykonasz fine-tuning pod konkretne zadania, by automatyzować analizę tekstu i procesy dokumentowe.
Budujesz rozwiązania Generative AI - Poznasz GAN i VAE w praktyce, więc nauczysz się generować oraz edytować obrazy do zastosowań projektowych i produkcyjnych, zamiast ograniczać się do gotowych narzędzi.
Pracujesz jak w środowisku produkcyjnym - Dowiesz się, jak zarządzać eksperymentami, wdrażać modele, monitorować ich jakość i aktualizować je po wdrożeniu, aby Twoje rozwiązania działały stabilnie także w produkcji.
Optymalizujesz wydajność i koszty - Poznasz techniki przyspieszania treningu, kwantyzację, kompresję modeli i distributed training, dzięki czemu uruchomisz deep learning wydajnie także w chmurze i na edge.
Architektura sieci neuronowych oraz pojęcia takie jak tensory, gradienty i backpropagation tworzą podstawę dalszej pracy z modelami. Uczestnicy implementują rozwiązania w PyTorch i TensorFlow, stosują optymalizację i regularyzację oraz budują model predykcyjny dla analizy sprzedaży.
Systemy wizyjne dla kontroli jakości wymagają połączenia klasyfikacji obrazu, detekcji obiektów i pracy na danych własnych. W tej sekcji omawiane są wdrożenia w automotive, transfer learning z ResNet i EfficientNet oraz wykorzystanie YOLO i Faster R-CNN w projekcie inspekcji produktów.
Przy danych sekwencyjnych kluczowe staje się uchwycenie zależności w czasie i kolejności obserwacji. Dlatego część poświęcona RNN obejmuje działanie LSTM i GRU, a także ich użycie w analizie szeregów czasowych oraz predykcji trendów rynkowych na danych historycznych.
Transformery zmieniły sposób budowy systemów przetwarzania języka i automatyzacji zadań opartych na tekście. Sekcja wyjaśnia architekturę Transformer, porównuje BERT, GPT i nowsze modele, a następnie pokazuje fine-tuning dla konkretnych zastosowań procesowych.
Modele generatywne służą nie do klasyfikacji, lecz do tworzenia nowych danych o określonych cechach. Uczestnicy analizują różnice między GAN i VAE, a następnie wykorzystują te podejścia do generowania i edycji obrazów oraz omawiają ich użycie w projektowaniu i produkcji.
Między eksperymentem a stabilnym wdrożeniem potrzebne są procesy, które porządkują cykl życia modelu. W tym zakresie omawiane jest zarządzanie eksperymentami, wdrażanie modeli na produkcję, monitoring i aktualizacje, a także kontrola kosztów infrastruktury wspierającej rozwiązania DL.
Wydajność modeli decyduje o czasie treningu, kosztach uruchomienia i możliwościach wdrożenia. Sekcja obejmuje techniki przyspieszania treningu, kwantyzację i kompresję, Distributed training oraz dostosowanie modeli do pracy na urządzeniach brzegowych i przy ograniczonych zasobach.
Zastosowania biznesowe porządkują tę część wokół konkretnych wdrożeń, a nie samych technik. Uczestnicy pracują nad systemem rozpoznawania produktów, analizą sentymentu klientów, predykcją awarii maszyn oraz automatyzacją procesów dokumentowych z uwzględnieniem danych i ograniczeń operacyjnych.
Python w praktyce - Powinieneś swobodnie pisać skrypty w Pythonie, pracować na funkcjach, pętlach i bibliotekach oraz rozumieć strukturę kodu, aby samodzielnie wykonywać ćwiczenia.
Podstawy uczenia maszynowego - Powinieneś znać podstawowe pojęcia uczenia maszynowego, takie jak trening, walidacja, overfitting i metryki oceny, aby sprawnie wejść w zagadnienia deep learning.
Matematyka dla modeli - Powinieneś rozumieć algebrę liniową i podstawy rachunku różniczkowego, w tym wektory, macierze i pochodne, bo są potrzebne do pracy z gradientami i tensorami.
Praca z danymi - Powinieneś mieć doświadczenie w przygotowaniu danych do analizy, ich czyszczeniu i podziale na zbiory, aby skupić się na modelowaniu zamiast podstawowej obróbce.
